R2P：从毫米波雷达到点云的深度学习方法
计算机视觉与模式识别
2022-07-25 v1 人工智能
摘要
近期研究显示了毫米波雷达感知在低能见度环境中目标检测的有效性，这使其成为自主导航系统中的理想技术。本文中，我们介绍 Radar to Point Cloud (R2P)，一种深度学习模型，它基于从毫米波雷达获得的含错误点的粗糙稀疏点云，生成具有精细几何细节的、平滑、密集且高精度的三维目标点云表示。这些输入点云由原始毫米波雷达传感器数据生成的 2D 深度图像转换而来，其特点是不一致性以及朝向与形状误差。R2P 利用两个顺序深度学习编码器-解码器块的结构，从多视角观测中提取目标那些基于雷达的输入点云的本质特征，并确保生成输出点云的内部一致性及其对原始目标的准确细致形状重建。我们实现 R2P 以替换我们近期提出的 3DRIMR（基于毫米波雷达的三维重建与成像）系统的第二阶段。我们的实验证明了 R2P 相对于 PointNet、PCN 以及原始 3DRIMR 设计等流行现有方法的显著性能提升。
引用
@article{arxiv.2207.10690,
title = {R2P: A Deep Learning Model from mmWave Radar to Point Cloud},
author = {Yue Sun and Honggang Zhang and Zhuoming Huang and Benyuan Liu},
journal= {arXiv preprint arXiv:2207.10690},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2109.09188