Physics-Informed Generative Adversarial Networks for Range-Doppler Map Generation under Inter-Vehicle Occlusion
物理情報に基づく敵対的生成ネットワークを用いた車両間遮蔽下でのレンジドップラーマップ生成
近年、ディープラーニングはレーダー技術の可能性を大きく広げています。ニューラルネットワークをレーダーと統合することで、レーダー画像から特徴を自動的に抽出でき、ターゲット検出の精度が向上します。しかし、これらのモデルが効果的に特徴を識別するためには、大量のラベル付きレーダーデータが必要となりますが、ラベル付け作業は手作業や複雑なシミュレーションに依存するため、膨大なリソースを要し、時間がかかり、コストも高くなります。Generative Adversarial Network(GAN)は、合成レーダーデータの生成において有望な代替手法として注目されています。既存の研究では主にGANを用いて単一ターゲットのレーダーデータを生成しており、複数ターゲットによる遮蔽の不一致を考慮していません。これにより、合成されたレンジ-ドップラマップ(RDM)の現実性と有用性に影響を与えます。この問題を解決するために、本研究では、遮蔽モデリングをGANアーキテクチャに統合し、遮蔽度の一致性に基づく物理法則を考慮した損失関数を組み込んだPhysics-Informed GAN(PIGAN)を利用します。提案された方法により、合成されたRDMがさまざまな遮蔽レベル下でのシミュレーションデータの検出特性をより正確に反映するようになります。