ترجمه فارسی مقاله کاوش تغییر دامنه در تشخیص اشیاء سه بعدی مبتنی بر رادار در میان شرایط مختلف محیطی

چکیده

The rapid evolution of deep learning and its integration with autonomous driving systems have led to substantial advancements in 3D perception using multimodal sensors. Notably, radar sensors show greater robustness compared to cameras and lidar under adverse weather and varying illumination conditions. This study delves into the often-overlooked yet crucial issue of domain shift in 4D radar-based object detection, examining how varying environmental conditions, such as different weather patterns and road types, impact 3D object detection performance. Our findings highlight distinct domain shifts across various weather scenarios, revealing unique dataset sensitivities that underscore the critical role of radar point cloud generation. Additionally, we demonstrate that transitioning between different road types, especially from highways to urban settings, introduces notable domain shifts, emphasizing the necessity for diverse data collection across varied road environments. To the best of our knowledge, this is the first comprehensive analysis of domain shift effects on 4D radar-based object detection. We believe this empirical study contributes to understanding the complex nature of domain shifts in radar data and suggests paths forward for data collection strategy in the face of environmental variability.

چکیده به فارسی (ترجمه ماشینی)

تکامل سریع یادگیری عمیق و ادغام آن با سیستم های رانندگی خودمختار منجر به پیشرفت های اساسی در درک سه بعدی با استفاده از سنسورهای چند مدلی شده است.نکته قابل توجه ، سنسورهای رادار در مقایسه با دوربین ها و لیدر تحت آب و هوای نامطلوب و شرایط مختلف روشنایی ، استحکام بیشتری را نشان می دهند.این مطالعه به مسئله ای که اغلب در عین حال رو به رو و در عین حال مهم تغییر دامنه در تشخیص شیء رادار 4D است ، بررسی می کند و بررسی می کند که چگونه شرایط محیطی متفاوت ، مانند الگوهای مختلف آب و هوایی و انواع جاده ها ، عملکرد تشخیص شیء سه بعدی را تحت تأثیر قرار می دهد.یافته های ما تغییرات دامنه متمایز را در سناریوهای مختلف آب و هوا برجسته می کند ، و حساسیت های منحصر به فرد مجموعه داده ها را نشان می دهد که نقش مهم تولید ابر نقطه رادار را نشان می دهد.علاوه بر این ، ما نشان می دهیم که انتقال بین انواع مختلف جاده ها ، به ویژه از بزرگراه ها به محیط های شهری ، تغییرات دامنه قابل توجه را معرفی می کند ، با تأکید بر ضرورت جمع آوری داده های متنوع در محیط های مختلف جاده ای.به بهترین دانش ما ، این اولین تجزیه و تحلیل جامع از اثرات تغییر دامنه در تشخیص شیء مبتنی بر رادار 4D است.ما معتقدیم که این مطالعه تجربی به درک ماهیت پیچیده تغییر دامنه در داده های رادار کمک می کند و مسیرهایی را برای استراتژی جمع آوری داده ها در مواجهه با تنوع محیطی نشان می دهد.