공간 게이팅 특징-상관 표현 기반 자동차 mmWave 회전 레이더 장소 인식
Automotive mmWave Spinning Radar Place Recognition with Spatially Gated Feature-Correlation Representation
한국어 초록
자동차용 회전 FMCW 레이더는 밀집한 $360^\circ$ 감지를 제공하며 조명 불량 및 악천후에서도 신뢰성을 유지하므로 자율 내비게이션에 잘 적합하다. 장소 인식은 이러한 관측을 이용해 이전에 방문한 위치를 식별하여 재국소화 및 장기 내비게이션에 활용한다. 그러나 헤딩 변화는 극좌표 레이더 표현에서 원형 이동으로 나타나며, 기존의 전역 집계 방식은 유사한 장소를 구별하는 데 중요한 레이더 응답 간 관계를 잃을 수 있다. 본 논문은 회전에 강건한 특징 추출과 Spatially Gated Correlation Aggregation(SGCA)을 결합한 회전 레이더 장소 인식 프레임워크 SGCA-Net을 제안한다. SGCA는 공간적 가중치를 학습하여 불안정하고 모호한 레이더 영역의 영향을 줄이면서, 국소 응답 간 쌍별 상관을 집계하여 정보가 풍부한 특징 관계를 보존한다. MulRan 데이터셋 실험에서 SGCA-Net은 도심, 캠퍼스, 개방 도로 환경 전반에서 SOTA 방법들을 일관되게 능가하며, 상당한 헤딩 변화에도 강건함을 유지한다. HeRCULES 데이터셋 평가는 SGCA-Net이 미세조정 없이 보지 못한 환경 및 레이더 센서에도 일반화됨을 추가로 보여준다.
원문 초록
Automotive spinning FMCW radar provides dense, $360^\circ$ sensing and remains reliable under poor illumination and adverse weather, making it well-suited to autonomous navigation. Place recognition uses these observations to identify previously visited locations for re-localization and long-term navigation. However, heading changes appear as circular shifts in the polar radar representation, and conventional global aggregation can lose relationships among radar responses that are important for distinguishing similar places. We propose SGCA-Net, a spinning radar place recognition framework that combines rotation-robust feature extraction with Spatially Gated Correlation Aggregation (SGCA). SGCA learns spatial weights to reduce the influence of unstable and ambiguous radar regions, while aggregating pairwise correlations among local responses to preserve informative feature relationships. Experiments on the MulRan dataset show that SGCA-Net consistently outperforms SOTA methods across urban, campus, and open-road environments, while remaining robust to substantial heading variation. Evaluation on the HeRCULES dataset further demonstrates that SGCA-Net generalizes to unseen environments and radar sensors without fine-tuning.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2609.27394v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
자율주행을 위한 생성형 AI: 최전선과 기회
Generative AI for Autonomous Driving: Frontiers and Opportunities
생성형 인공지능(GenAI)은 콘텐츠 생성, 추론, 계획, 멀티모달 이해를 위한 비할 데 없는 역량을 통해 산업을 재편하는 변혁적인 기술 물결을 형성하고 있습니다. 이러한 혁신적인 힘은 공학 분야의 가장 큰 난제 중 하나인 신뢰할 수 있는 완전 자율주행의 달성, 특히 레벨 5 자율주행의 실현을 향한 가장 유망한 경로를 제공합니다. 본 서베이 논문은 자율주행 스택 전반에 걸친 생성형 AI의 부상하는 역할을 포괄적이고 비판적으로 종합하여 제시합니다. 먼저 VAE, GAN, 확산 모델(Diffusion Models), 대규모 언어 모델(LLM)을 아우르는 현대 생성 모델링의 원리와 트레이드오프를 정리합니다. 이어서 이미지, LiDAR, 궤적, 점유(occupancy), 비디오 생성뿐만 아니라 LLM 기반 추론 및 의사결정에서의 최전선 응용 사례를 조망합니다. 또한 합성 데이터 워크플로우, 엔드투엔드(end-to-end) 주행 전략, 고충실도 디지털 트윈 시스템, 지능형 교통 네트워크, 체화된 AI(embodied AI)로의 도메인 간 전이 등 실질적인 적용 분야를 분류합니다. 희귀 사례에 걸친 포괄적 일반화, 평가 및 안전성(safety) 검증, 예산 제약 기반 구현, 규제 준수, 윤리적 문제, 환경적 영향과 같은 주요 장애물과 가능성을 식별하는 동시에, 이론적 보증, 신뢰 메트릭, 교통 통합, 사회기술적 영향에 걸친 연구 계획을 제안합니다. 이러한 흐름을 통합함으로써, 본 서베이는 생성형 AI와 첨단 자율 이동성의 수렴을 탐색하는 연구자, 엔지니어, 정책 입안자들에게 미래지향적인 참고자료를 제공합니다. 인용된 연구들을 적극적으로 관리하는 저장소는 https://github.com/taco-group/GenAI4AD 에서 확인할 수 있습니다.
A Survey on Vision-Language-Action Models for Autonomous Driving
Where, What, Why: Towards Explainable Driver Attention Prediction
Iterative Camera-LiDAR Extrinsic Optimization via Surrogate Diffusion
Foundation Models in Autonomous Driving: A Survey on Scenario Generation and Scenario Analysis
SDTagNet: Leveraging Text-Annotated Navigation Maps for Online HD Map Construction
토론
이 논문과 연결된 포럼 글이 아직 없습니다.