Introduction
4D 레이더는 감지 범위에 따라 단거리, 중거리, 장거리 모드로 다양한 작동 모드를 가지고 있습니다. 표 I에서 각 4D 레이더는 그 장점을 가지고 있음을 관찰할 수 있습니다. 다른 작동 모드에서 4D 레이더가 수집하는 포인트 클라우드의 해상도와 범위는 다르며, 여러 작동 모드에서 4D 레이더는 다른 포인트 클라우드 밀도와 수집 범위를 가집니다.
사용한 Radar
1. ARS548 RDI
장점: 더 긴 범위의 포인트 클라우드를 수집할 수 있다.
단점: denoise 과정을 거쳐 sparse한 데이터를 제공하기 때문에 작거나 가까운 물체를 탐지하기에 적합하지 않다. (miss detection)
2. Arbe Phoenix
장점: denoise를 거치지 않아 dense한 데이터를 이용할 수 있다.
단점: noise가 많이 포함되어 있어 false detection을 초래할 가능성이 있다.
연구의 의의: 자율 주행 분야에서는 기존 데이터셋이 주로 하나의 4D 레이더만을 사용하여 연구되어 왔으며, 동일한 시나리오에서 다른 포인트 클라우드 밀도와 잡음 수준을 가진 4D 레이더의 비교 분석이 부족하며, 다양한 종류의 4D 레이더를 처리할 수 있는 인식 알고리즘에 대한 연구도 부족합니다.
Contribution
1. 다양한 종류의 4D 레이더 데이터의 성능을 연구하고, 다양한 종류의 4D 레이더 데이터를 처리할 수 있는 인식 알고리즘 연구에 기여
2. 도시 및 터널과 같은 다양한 도로 조건, 맑은 날, 흐린 날, 비 오는 날과 같은 다양한 날씨, 일반 빛 및 역광과 같은 다양한 빛 강도, 낮, 황혼 및 밤과 같은 다양한 시간에 해당하는 다양한 도전적 시나리오를 제공
3. 151개의 연속적인 시간 순서로 구성되어 있으며, 대부분의 시간 순서는 20초간 지속됩니다. 10,007개의 프레임이 시간에 따라 신중하게 동기화되어 있으며, 103,272개의 고품질로 주석이 달린 물체가 포함
Experiments
실험은 object detection model에 대해 총 세 case로 나누어 진행되었다.
1. 센서 별 비교 (camera, LiDAR, Radar)
2. 센서 융합 비교
3. 비 오는 시나리오에서 센서 별 비교
결론
두 종류의 Radar 센서를 사용하긴 했지만, 성능을 비교한 수준임.
두 레이더를 조합하여 의미있는 결과를 도출했다 보기는 어렵다.
그리고, ARS548의 장점이 단지 pedestrian과 cyclist를 Arbe보다 상대적으로 잘 포착한다는 것인데 (표 2.센서 융합 비교)
큰 의미가 있나 싶음... denoise의 여부가 영향을 미치는 것이 더 큰 것 같음.
Visualize
frame: training-001297
잘 잡은 case(001000, 001500)
'Dataset > Dual-Radar' 카테고리의 다른 글
| Dual-Radar visualize(C-R-L) (0) | 2023.11.14 |
|---|
