日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

占有推定arXiv:2505.13905

4D-ROLLS: LiDAR教師あり4Dレーダ占有推定学習

4D-ROLLS: 4D Radar Occupancy Learning via LiDAR Supervision

シェア:XThreadsFacebookLINEはてブBluesky

LiDAR点群を教師信号として用い、煙・雨・雪・霧などの劣化環境でも頑健に動作する4Dレーダによる占有推定手法を提案した。

詳しい要約

1. どんなもの?

- 本論文は、4D radarを用いた占有推定手法「4D-ROLLS」を提案する。 - 既存のLiDARやカメラベースの占有推定は、煙・雨・雪・霧などの劣化環境で性能が低下する問題がある。 - 4D-ROLLSは、LiDAR点群を監督信号として利用する初の弱教師あり4D radar占有推定手法である。 - 軽量ネットワークにより、RTX 4060 GPU上で約30 Hzの高速推論を実現する。

2. 先行研究と比べてどこがすごい?

- 既存の占有推定はLiDARやカメラに依存し、劣化環境で性能が低下する。 - 4D-ROLLSは4D radarを用いることで、劣化環境下でのロバスト性を向上させる。 - LiDAR点群を監督信号として活用する弱教師あり学習を初めて4D radar占有推定に適用した点が新しい。 - クロスデータセット訓練や下流タスクへの転移が可能であることを示した。

3. 技術・手法の肝は?

- LiDAR点群から疑似LiDARラベルを生成する手法を導入。 - 疑似ラベルには占有クエリとLiDAR高さマップが含まれ、多段階の監督として4D radar占有推定モデルを訓練。 - モデルをLiDARが生成する占有マップにアライメントし、占有推定の精度を微調整。 - 軽量ネットワーク設計により高速推論を実現。

4. どうやって有効だと検証した?

- 広範な比較実験により、4D-ROLLSの優れた性能を検証。 - 劣化環境下でのロバスト性とクロスデータセット訓練の有効性を定性的に実証。 - BEVセグメンテーションや点群占有予測などの下流タスクへの転移可能性を示す。 - 4060 GPU上で約30 Hzの推論速度を達成。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- LiDARベースの占有推定手法(例:Occupancy Networks) - カメラベースの占有推定手法(例:BEVFormer, TPVFormer) - 4D radarを用いた知覚手法(例:4D radar odometry, 4D radar detection) - 弱教師あり学習を用いた3D知覚(例:Weakly Supervised LiDAR Segmentation)

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ruihan Liu, Xiaoyi Wu, Xijun Chen, Liang Hu, Yunjiang Lou

分類: cs.CV, cs.RO

原文アブストラクト

A comprehensive understanding of 3D scenes is essential for autonomous vehicles (AVs), and among various perception tasks, occupancy estimation plays a central role by providing a general representation of drivable and occupied space. However, most existing occupancy estimation methods rely on LiDAR or cameras, which perform poorly in degraded environments such as smoke, rain, snow, and fog. In this paper, we propose 4D-ROLLS, the first weakly supervised occupancy estimation method for 4D radar using the LiDAR point cloud as the supervisory signal. Specifically, we introduce a method for generating pseudo-LiDAR labels, including occupancy queries and LiDAR height maps, as multi-stage supervision to train the 4D radar occupancy estimation model. Then the model is aligned with the occupancy map produced by LiDAR, fine-tuning its accuracy in occupancy estimation. Extensive comparative experiments validate the exceptional performance of 4D-ROLLS. Its robustness in degraded environments and effectiveness in cross-dataset training are qualitatively demonstrated. The model is also seamlessly transferred to downstream tasks BEV segmentation and point cloud occupancy prediction, highlighting its potential for broader applications. The lightweight network enables 4D-ROLLS model to achieve fast inference speeds at about 30 Hz on a 4060 GPU. The code of 4D-ROLLS will be made available at https://github.com/CLASS-Lab/4D-ROLLS.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI