キャリブレーション/自動ラベリング2026/1/1arXiv:2601.21454

4D-CAAL: 自動運転のための4Dレーダー・カメラキャリブレーションと自動ラベリング

4D-CAAL: 4D Radar-Camera Calibration and Auto-Labeling for Autonomous Driving

4Dレーダーとカメラのキャリブレーションを効率化するため、チェッカーボードとコーナーリフレクターを組み合わせた二目的ターゲットと、カメラのセグメンテーションをレーダー点群に転送する自動ラベリング手法を提案した。

詳しい要約

1. どんなもの？

- 4D radarとcameraの統合に向けた、外部キャリブレーションと自動ラベリングを統合したフレームワーク「4D-CAAL」を提案。 - 4D radarはelevation測定と高解像度化が進み、自動運転の重要センサーだが、cameraとの正確な外部キャリブレーションと大規模注釈データが課題。 - 既存手法はvisual/radar別々のtargetで対応付けが複雑、radarの手動ラベリングは高コストで信頼性が低い。 - 本手法はdual-purpose calibration targetと自動ラベリングpipelineでこれらを解決する。

2. 先行研究と比べてどこがすごい？

- 既存のキャリブレーションはvisual用とradar用の別々のtargetを用い、対応点の確立が煩雑だった。 - 手動によるsparse radarデータのラベリングは労力が大きく信頼性に欠ける。 - 提案法は単一のdual-purpose targetでcameraとradarの両方を同時に検出でき、対応付けを簡素化。 - さらにcamera-based segmentationの注釈をradar point cloudsへ転送するauto-labelingを実現し、手動注釈を大幅削減。 - 要旨からは、既存手法との定量的な比較優位は明示されていない。

3. 技術・手法の肝は？

- dual-purpose calibration target: 前面にcheckerboard pattern（camera検出用）、背面中央にcorner reflector（radar検出用）を配置。 - robust correspondence matching algorithm: checkerboard centerと最強のradar反射点を位置合わせし、正確な外部キャリブレーションを実現。 - auto-labeling pipeline: キャリブレーション済みのsensor関係を利用し、camera-based segmentationの注釈をgeometric projectionとmulti-feature optimizationでradar point cloudsに転送。

4. どうやって有効だと検証した？

- Extensive experimentsにより、高いキャリブレーション精度を達成しつつ、手動注釈の労力を大幅に削減できることを示した。 - 具体的なデータセット名、評価指標、比較対象、実験設定の詳細は要旨からは不明。

5. 議論はある？

- 提案手法はキャリブレーション精度と注釈労力削減の両面で有効性を示すが、限界や失敗ケース、汎化性に関する議論は要旨からは不明。 - 自動ラベリングの品質や、他センサ構成への拡張性についても要旨では触れられていない。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、radar-camera calibration、auto-labeling、multi-modal perceptionの定番研究を読むべき。 - 具体的には、3D radarとcameraのキャリブレーション手法、LiDAR-camera auto-labeling、4D radarのperception datasetに関する論文が候補。 - 要旨からは特定の論文名は不明。

※ 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: Shanliang Yao, Zhuoxiao Li, Runwei Guan, Kebin Cao, Meng Xia, Fuping Hu, Sen Xu, Yong Yue, Xiaohui Zhu, Weiping Ding, Ryan Wen Liu

分類: cs.RO, cs.CV

原文アブストラクト

4D radar has emerged as a critical sensor for autonomous driving, primarily due to its enhanced capabilities in elevation measurement and higher resolution compared to traditional 3D radar. Effective integration of 4D radar with cameras requires accurate extrinsic calibration, and the development of radar-based perception algorithms demands large-scale annotated datasets. However, existing calibration methods often employ separate targets optimized for either visual or radar modalities, complicating correspondence establishment. Furthermore, manually labeling sparse radar data is labor-intensive and unreliable. To address these challenges, we propose 4D-CAAL, a unified framework for 4D radar-camera calibration and auto-labeling. Our approach introduces a novel dual-purpose calibration target design, integrating a checkerboard pattern on the front surface for camera detection and a corner reflector at the center of the back surface for radar detection. We develop a robust correspondence matching algorithm that aligns the checkerboard center with the strongest radar reflection point, enabling accurate extrinsic calibration. Subsequently, we present an auto-labeling pipeline that leverages the calibrated sensor relationship to transfer annotations from camera-based segmentations to radar point clouds through geometric projection and multi-feature optimization. Extensive experiments demonstrate that our method achieves high calibration accuracy while significantly reducing manual annotation effort, thereby accelerating the development of robust multi-modal perception systems for autonomous driving.

arXivで原文を読む →arXiv概要ページ

← 論文一覧