RadarNeXt: Echtzeit- und zuverlässiger 3D-Objekterkennungssensor auf Basis von 4D mmWellen-Radar-Bildgebung

Die 3D-Objekterkennung ist für autonomes Fahren (Autonomous Driving, AD) und erweiterte Fahrerassistenzsysteme (Advanced Driver Assistance Systems, ADAS) von entscheidender Bedeutung. Die meisten 3D-Detektoren legen jedoch den Schwerpunkt auf die Erkennungsgenauigkeit und vernachlässigen oft die Inferenzgeschwindigkeit des Netzwerks in praktischen Anwendungen. In dieser Arbeit schlagen wir RadarNeXt vor, einen Echtzeit- und zuverlässigen 3D-Objektdetektor basierend auf 4D mmWave-Radar-Punktwolken. RadarNeXt nutzt reparametrierbare Neuronale Netze, um mehrskalige Merkmale zu erfassen, den Speicherverbrauch zu reduzieren und die Inferenz zu beschleunigen. Darüber hinaus haben wir ein Mehrweg-Deformables-Vordergrundverbesserungsnetzwerk (Multi-path Deformable Foreground Enhancement Network, MDFEN) entwickelt, um die unregelmäßigen Vordergrundmerkmale der Radar-Punktwolken hervorzuheben und Hintergrundstörungen zu unterdrücken. Dies gewährleistet eine hohe Erkennungsgenauigkeit, während gleichzeitig Geschwindigkeitsverluste und ein übermäßiger Parameteraufwand minimiert werden. Experimentelle Ergebnisse auf den Datensätzen View-of-Delft und TJ4DRadSet bestätigen die außergewöhnliche Leistungsfähigkeit und Effizienz von RadarNeXt, wobei mit der Variante unseres vorgeschlagenen MDFEN Werte von 50,48 und 32,30 mAP erreicht wurden. Bemerkenswert ist dabei, dass unsere RadarNeXt-Varianten Inferenzgeschwindigkeiten von über 67,10 FPS auf der RTX A4000-GPU und 28,40 FPS auf dem Jetson AGX Orin erzielen. Diese Forschung zeigt, dass RadarNeXt ein neuartiges und effektives Paradigma für die 3D-Wahrnehmung basierend auf 4D mmWave-Radar darstellt.