本研究提出了一种使用深度学习减少雷达信号干扰的新方法，该方法在各种干扰条件下表现良好，并且具有低的处理时间和比传统的信号处理方法更好的性能。

Mar, 2019

该研究综述雷达在自主驾驶车辆中的应用及挑战，提出了针对雷达数据的深度学习研究的关键主题，包括早期和晚期融合，占用流估计，不确定性建模和多径检测等，以及相关的雷达数据集、目前最先进的激光雷达和视觉模型等。

Jun, 2023

我们的研究将毫米波雷达成像超分辨率重新定义为一维信号超分辨率光谱估计问题，通过利用雷达信号处理领域知识，引入创新的数据归一化和基于信噪比的损失函数，实现了适用于汽车雷达成像的定制深度学习网络，表现出了可观的可扩展性、参数效率和快速推理速度，以及在雷达成像质量和分辨率方面的提升性能。广泛的测试证实，我们的 SR-SPECNet 在产生高分辨率的雷达距离 - 方位图像方面，超过了现有方法，在不同天线配置和数据集大小方面都表现出色。源代码和新的雷达数据集将在网上公开提供。

Jun, 2024

本文介绍了一种新的使用深度学习技术处理雷达数据的方法，该方法利用雷达校准数据进行训练，引入了新的雷达数据增强技术，通过在雷达 4D 检测任务上的实验验证，表现更优秀的性能，极大地减少了对昂贵的雷达校准工艺的需求，从而实现快速准确的示踪和分类检测。

Jun, 2019

本研究旨在解决越来越多的雷达传感器在街道上部署时，存在的共存干扰问题。为此，研究提出了使用卷积神经网络（CNN）对数据进行去噪的方法，实验结果证明了该方法的优越性。因此，CNN 可以作为传统信号处理方法之外的一种干扰抑制方法，用于自动驾驶领域的雷达信号处理中。

Jun, 2019

该研究通过使用汽车雷达等主动传感器，提出了基于端到端可训练模型的多视角分析方法，实现了场景的语义分割，进一步提高自动驾驶的效率和准确性。

Mar, 2021

本文提出了一种基于深度学习算法的雷达目标检测方法，该方法可直接对原始雷达张量数据进行处理，在鸟瞰图空间中为检测到的目标放置概率定向边界框。借助新建的多模态数据集，仅使用原始雷达数据作为输入，发展了一种车辆检测管道，并取得了 77.28％ AP（相对 3D 外接框交并比为 0.3）的最佳性能，实现了对传统角落式汽车雷达中原始雷达数据的目标检测。

Apr, 2020

本文研究了一种在自主驾驶和辅助驾驶中用于碰撞风险评估的预测方法，利用深度预测模型从传统视频流中预测即将到来的事故，并在决策制定过程中引入了时间信息、多模态信息以及任务固有的不确定性。通过使用基于贝叶斯卷积 LSTM 的深度预测模型，实验表明当多个摄像头作为输入源时，该方法能够较为准确地预测即将发生的事故。

Nov, 2017

通过深度学习的逆传感器模型将雷达检测转化为极坐标测量格网，并结合多普勒雷达测量生成动态网格地图，使得自主驾驶单帧雷达精度得以提高并成为雷达安装方向无关的。

May, 2023

本篇论文提出了一种基于深度学习的方法，用于使用汽车级超声波传感器进行到达方向估计，应用于自动停车等驾驶辅助系统，并在仿真数据和实测数据的基础上分析了该方法的性能，结果表明在噪声和测量误差等实际条件下，该方法具有优越性，能克服现有算法的一些已知限制。

Feb, 2022