深度雷达探测器
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
本文通过使用具有长波长的雷达数据集以及开发一种名为 Radarformer 的基于 transformer 的模型,解决了自动驾驶中在恶劣天气下雷达探测的问题,并在 CRUW 雷达数据集上进行了全面实验,表明 Radarformer 在速度和模型参数上具有优势。
Apr, 2023
本研究提出了一种主动学习的方法,通过使用 RGB 图像生成的 2D 区域提案来减少目标搜索空间并加快学习过程,从而训练一个具有最少标记训练数据的 LiDAR 3D 目标检测器。实验结果表明,该方法在不同的不确定性估计和查询功能下都能正常工作,并可以节省多达 60% 的标注工作量,同时达到相同的网络性能。
Jan, 2019
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
自动驾驶技术在公共道路和工业场景中越来越普遍,但传统摄像头或激光雷达在恶劣环境下的表现受到影响。我们提出了一种基于 4D 雷达的 CNN 架构 TMVA4D,用于语义分割,并且说明了构建数据集的过程。在工业环境的数据集上,我们使用 TMVA4D 获得了 78.2% 的平均交并比分数和 86.1% 的平均 Dice 分数。
Apr, 2024
本文提出了一种利用 Radar 和 LiDAR 传感器进行感知的方案,包括基于体素的早期融合和基于注意力的后期融合,可在目标检测和速度估计任务中实现最先进的结果,并进一步显示利用 Radar 可以提高远程目标探测和动态目标运动理解的感知能力。
Jul, 2020
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 KAIST-Radar 数据集,该数据集包含 4D Radar tensor 数据,并提供了附加的 Lidar、立体相机和 RTK-GPS 测量,用于提高雷达物体检测的准确性,该数据集包含逆境天气下的各类道路,提供了相关基准测试和神经网络,并证明了 4D Radar 更适合逆境天气条件下的物体检测。
Jun, 2022