传感器融合在自主车辆的准确和健壮的感知系统中至关重要。大多数现有的数据集和感知解决方案都专注于相机和激光雷达的融合，然而相机和雷达之间的协作被显著地低估。本论文介绍了 CRUW3D 数据集，包括 66K 个在不同行驶情景中同步并进行了校准的相机、雷达和激光雷达帧。与其他大规模自动驾驶数据集不同，我们的雷达数据以射频（RF）张量的格式呈现，包含了 3D 位置信息和时空语义信息。这种雷达格式可以使机器学习模型在相机和雷达之间交互和融合信息或特征后生成更可靠的物体感知结果。

Nov, 2023

本文提出了一种名为 RODNet 的深度雷达物体检测网络，通过摄像机和雷达融合算法进行交叉监督，可以在实时的条件下有效地检测无线电频率 (RF) 图像中的物体。经过广泛的实验，我们的算法在各种驾驶条件下呈现了鲁棒性，并取得了 86％的平均精度和 88％的平均召回率。

Feb, 2021

本研究介绍了 CARRADA 数据集，其中包含相机和雷达信号，以及一种半自动注释方法和一种基于雷达的语义分割基线方法。

May, 2020

本文提出了一种名为 CRN 的相机 - 雷达融合框架，通过使用轻量的雷达测量精确远程物体的位置和空间信息，配合多模激活的可变注意力机制生成丰富的语义和准确的俯视特征图，使该系统在自动驾驶领域表现出色。

Apr, 2023

自动驾驶中，识别和追踪周围物体是必不可少的。本论文提出了一种相机 - 雷达融合模型用于三维物体检测和多目标追踪，通过合并雷达传感器的空间和速度信息，实现了检测和追踪能力的大幅提升。

Mar, 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

本文介绍了一种利用 CramNet 网络实现相机和雷达传感器融合的方法，其中利用限制射线的交叉注意机制解决了相机特征和雷达特征之间几何对应关系的歧义，支持传感器模态退出训练，从而实现了鲁棒的三维物体检测。

Oct, 2022

通过使用 CenterRadarNet 来从 4D 雷达数据中进行高分辨率表示学习，对于 3D 物体检测和重新识别任务进行了有效的联合建模，取得了在 K-Radar 3D 物体检测基准测试上的最新成果，并在 K-Radar 数据集 V2 上展示了首次使用雷达进行的 3D 物体追踪结果。

Nov, 2023

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

在自动驾驶的三维物体检测领域，LiDAR - 相机融合是性能最佳的传感器配置，但是由于成本较高，阻碍了该技术在消费级汽车中的采用。本研究提出了一种相机 - 雷达知识蒸馏（CRKD）框架，旨在弥合相机 - 雷达融合和 LiDAR - 相机融合之间的性能差距，并通过引入鸟瞰图表示作为共享特征空间，实现有效的知识蒸馏。通过四个蒸馏损失函数帮助学生模型从教师模型中学习关键特征，并在 nuScenes 数据集上进行了广泛的评估，展示了 CRKD 框架的有效性。

Mar, 2024