SSRaDNet:レーダー物体検出の評価と展開のトレードオフに関する実証的研究
SSRaDNet: An Empirical Study of Radar Object Detection Evaluation and Deployment Trade-Offs
ミリ波レーダーは、悪天候や照明条件に対する堅牢性から自動運転における魅力的なセンシングモダリティである。しかし、レーダー物体検出器間の比較は、評価手順の一貫性のなさや展開コストの限定的な報告によって妨げられている。本研究では、標準化されたVOC平均精度 (mAP) を使用した包括的なベンチマークを提示し、前処理、ネットワーク推論、後処理にわたる処理パイプラインのレイテンシを評価する。軽量ハイブリッドCNN–Swin Transformer検出器であるSSRaDNetを、アナログ・デジタル・コンバーター (ADC)、レンジ・ドップラー (RD)、レンジ・アジマス・ドップラー (RAD) の各表現で評価し、既存手法と比較する。SSRaDNetは、RD入力を利用した再評価済みのRadiialモデルの中で、88.89%のAP@0.5という最先端の性能を達成し、比較されたADC構成の中で検出とセグメンテーション性能の全体的なバランスが最も優れている。RADDetでは、ネイティブ解像度のRADテンソルを使用した手法の中で最高の性能 (45.69% mAP@0.5) を達成し、完全なバウンディングボックス回帰を備えた初のADCベース検出器を導入する。また、ハイブリッドMaxPoolNMS–GreedyNMSを含む代替の後処理戦略を評価し、精度とレイテンシのトレードオフを特徴づける。これらの結果は、レーダーベースの物体検出における標準化された評価と、フルパイプラインの実行時間分析の重要性を示している。
- 軽量ハイブリッドCNN–Swin Transformer検出器SSRaDNetを提案し、RD入力を用いた再評価モデル中でAP@0.5 88.89%の最先端性能を達成したと報告。
- RADDetがネイティブ解像度のRADテンソルを用いる手法中で最高の45.69% mAP@0.5を達成し、完全なバウンディングボックス回帰を備えた初のADCベース検出器を導入。
- 標準化されたVOC平均精度(mAP)によるベンチマークと、前処理・ネットワーク推論・後処理を含む処理パイプラインのレイテンシ評価を提示。
- ハイブリッドMaxPoolNMS–GreedyNMSなど代替の後処理戦略を評価し、精度とレイテンシのトレードオフを特徴づけた。
- ADC・RD・RADの各レーダー表現で検出・セグメンテーション性能を比較し、ADC構成の中ではSSRaDNetのバランスが最良と結論。
本件は自動運転向けミリ波レーダー物体検出の学術ベンチマーク研究であり、企業の発表や調達ではないため直接の投資トリガーは弱い。ただし、レーダー検出器の評価手順を標準化(mAP)し、前処理〜推論〜後処理のフルパイプラインのレイテンシまで公開する方向性は、車載センシングの実装コストとSoC/エッジ推論要件を左右する。SSRaDNetがRD入力でAP@0.5 88.89%、RADDetがRADテンソルで45.69% mAP@0.5という比較可能な数値が示された点は、レーダー単独検出の実用到達度を測る物差しとして押さえておきたい。留意点は、いずれも特定データセット・条件下の結果であり、量産車での優劣を直接示すものではないこと。