基于目标检测网络的汽车雷达子采样：利用先验信号信息
计算机视觉与模式识别
2023-02-22 v1 信号处理
摘要
由于自动驾驶技术日益增长的关注，汽车雷达已越来越受到重视。利用包括相机、LiDAR 和雷达在内的各种传感设备以高采样率收集的多模态数据来获取态势感知，需要可观的功耗、内存和计算资源，而这些在边缘设备上往往受限。在本文中，我们提出了一种新颖的自适应雷达子采样算法，旨在基于先验环境条件的知识识别需要更详细/精确重建的区域，从而在显著降低的有效采样率下实现近最优性能。该算法设计用于在多变天气条件下稳健运行，在 Oxford 原始雷达和 RADIATE 数据集上表明，在良好天气下仅利用原始样本的 10%、在极端（雪、雾）天气条件下利用 20% 即可实现精确重建。该算法的进一步改进结合了物体运动，以可靠识别重要区域。这包括监测当前帧中检测到的物体可能造成的未来遮挡。最后，我们在 RADIATE 数据集上训练了一个 YOLO 网络，以直接在 RADAR 数据上执行目标检测，并相较基线 Faster R-CNN 网络获得了 6.6% 的 AP50 提升。
引用
@article{arxiv.2302.10450,
title = {Automotive RADAR sub-sampling via object detection networks: Leveraging prior signal information},
author = {Madhumitha Sakthi and Ahmed Tewfik and Marius Arvinte and Haris Vikalo},
journal= {arXiv preprint arXiv:2302.10450},
year = {2023}
}