スペクトル・ポイントクラウドによるレーダー知覚の再検討

Abstract

レーダ知覚モデルは、レンジ・ドップラー（range-Doppler）スペクトルから疎な点群まで、さまざまな入力で学習されている。一般に、密なスペクトルは疎な点群よりも優れていると考えられているが、センサや構成によってスペクトルは大きく変動し得るため、転移（transfer）が妨げられる。本論文では、スペクトル情報をレーダ点群へ取り込むための代替手法を提示し、点群がスペクトルに比べて不利である必要がないことを示す。われわれはスペクトル点群パラダイムを導入する。ここでは点群を、レーダスペクトルの疎で圧縮された表現として扱い、さらに議論として、スペクトル情報で豊かにされた場合、それらはセンサ固有の差異に対してより頑健な、統一的な入力表現の強力な候補になると主張する。密度の異なるスペクトル点群（PC）モデルを、密なレンジ・ドップラー（RD）のベンチマークと比較する実験フレームワークを開発し、PC構成がRDベンチマークの性能に到達する密度レベルを報告する。加えて、点群へ追加のターゲット関連情報を注入するという2つの基本的なスペクトル強化（enrichment）アプローチを用いて実験を行う。密なRDアプローチが優れているという一般的な考えとは対照的に、強化を適用すれば点群は同等に、さらにはRDベンチマークを上回ることができることを示す。したがって、スペクトル点群は統一的なレーダ知覚の有力な候補となり、将来のレーダ基盤モデルへの道を開く。