RODNet Mejorado para Detección de Objetos Basado en Fusión de Radar y Cámara

Área de la Ciencia:

• Procesamiento de Señales de Radar
• Aprendizaje Profundo para Fusión de Sensores
• Calibración de Visión por Computadora

Sus antecedentes:

• Los modelos de aprendizaje profundo para la detección de radar luchan con las variaciones de hardware, lo que limita su aplicación en el mundo real.
• La heterogeneidad del hardware en los sistemas de radar conduce a una mala generalización de los modelos de detección.

Objetivo del estudio:

• Desarrollar un marco unificado para la detección de radar robusta basada en aprendizaje profundo.
• Mejorar las capacidades de generalización entre dispositivos de los sistemas de detección de radar.

Principales métodos:

• Se implementó un marco unificado que combina la calibración Perspectiva-n-Punto (PnP) con verificación en bucle cerrado para la alineación espacial.
• Se utilizó la calibración multirrango y la estandarización Z-score por chirr para la unificación de estadísticas de señales.
• Se empleó un adaptador global-temporal (GTA) ligero con compuerta global y atención de tres puntos para la consistencia de características.

Principales resultados:

• Se logró un 86,32 % de precisión media (AP) en el conjunto de datos ROD2021.
• Superó significativamente la línea de base E-RODNet en 22,88 puntos porcentuales.
• Demostró una fuerte generalización en diversas plataformas de radar con solo un aumento del 0,96 % en los parámetros.

Conclusiones:

• El marco propuesto aborda eficazmente la heterogeneidad del hardware en la detección de radar.
• La combinación de la estandarización a nivel de señal y la adaptación a nivel de característica es clave para mejorar la generalización entre dispositivos.
• El método ofrece una solución prometedora para implementar la detección de radar de aprendizaje profundo en diversos entornos.