本文提出了一种名为 RaLF 的新型深度神经网络方法，用于通过同时学习处理位置识别和度量定位，将雷达扫描定位到环境中的 LiDAR 地图中。通过跨模态度量学习，在两种模态之间学习共享嵌入空间来解决位置识别任务，同时通过预测像素级流向量将查询雷达扫描与 LiDAR 地图对齐来执行度量定位任务。我们在多个真实世界的驾驶数据集上充分评估了我们的方法，并展示了 RaLF 在位置识别和度量定位方面的表现达到了最新水平。此外，我们证明了我们的方法可以有效地推广到与训练过程中使用的不同城市和传感器设置上。我们在此 http URL 上公开提供代码和训练模型。

Sep, 2023

本文提出了一种用于雷达中自学习检测鲁棒关键点从而进行里程计估计和度量本地化的自监督框架。通过在我们的架构中嵌入可微分的基于点的运动估计器，我们仅通过本地化误差学习关键点的位置、分数和描述符，该方法避免了对什么是鲁棒关键点的任何假设，并且能够应用于大多数模态。在牛津雷达机器人车数据集的 280 公里真实驾驶实验中，我们改善了基于点的雷达里程表的最新研究成果，将误差降低了 45％，同时速度提高了一个数量级，并可同时解决度量环路闭合的问题。结合这些输出，我们提供了一个能够在城市环境下使用雷达进行完整地图绘制和本地化的框架。

Jan, 2020

本文提出的 LiRaNet 是一种新颖的端到端轨迹预测方法，利用了雷达传感器信息和广泛使用的激光雷达和高清晰度地图，通过高效的时空雷达特征提取方案，实现了多个大规模数据集上最先进的性能表现，并获得了高加速度物体预测误差的 52％降低和远距离物体预测误差的 16％降低。

Oct, 2020

该论文提出一种基于鸟瞰视角融合学习的无锚定框物体检测系统，融合雷达和光学雷达的特征来估计可能的目标，并采用新颖交互式变形模块来进一步提高性能。在最近发布的牛津雷达机器人车数据集上进行测试，该系统在 0.8 IoU 下的性能显着优于最佳现有技术方法，可在清晰和雾天下分别提高 14.4％和 20.5％的平均精度。

Nov, 2022

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

本文提出了一种使用简单目标生成数据、配准对应关系并利用小型多层感知器执行回归的方法以及优化算法，使用类似 PyTorch 的深度学习框架进行梯度下降优化，用于三维 RADAR-LIDAR 标定，在改进外部标定参数估计方面取得了良好的效果。

May, 2023

本研究提出一种新型的基于 Transformer 的神经网络，可以在 end-to-end 的情况下将 2D 图像注册到 3D LiDAR 地图中进行车辆定位，达到了一定的准确度和实用性。

May, 2023

本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

Apr, 2023

本研究证明，在自动驾驶领域，结合深度传感和视觉信息对于现实汽车道路跟随任务相当有效，且具备时间和空间的完美对齐；同时，从预测效果上可以看出，离线预测序列的时间平滑程度能够等效于常用的平均绝对误差。

Jun, 2022

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