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

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

我们提出了一种新的方法，通过一种新的架构和损失函数对雷达场景进行语义分割，从而克服了雷达数据的固有噪声、稀疏性以及前景和背景的不平衡。我们的方法 TransRadar 在 CARRADA 和 RADIal 数据集上优于现有方法，并且模型尺寸更小。

Oct, 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

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

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

本文提出了一种基于深度学习的 Range-Azimuth-Doppler 多类物体检测算法，并伴随着一个包含动态道路用户的弯曲区域、类别标签和 2D 边界框的 novel radar 数据集，并提出了一种实例化自动注释方法

May, 2021

雷达在自动驾驶环境感知方面相较于广泛采用的摄像头和 LiDAR 具有更强的适应性。本文介绍了一个新颖的大规模多模态数据集，首次同时捕获了两种类型的 4D 雷达，为进一步研究有效的 4D 雷达感知算法提供了支持。

Oct, 2023

该研究论文通过数据融合不同传感器的数据，开发了低水平的传感器融合网络来进行 3D 物体检测，并提出了一种新的损失函数来提高检测和方向估计性能。在 nuScenes 数据集上的测试结果表明，与基准 lidar 网络相比，融合雷达数据可以提高约 5.1% 的检测分数，特别适用于暴雨和夜晚场景。而融合额外相机数据只有与雷达融合共同使用时才有积极的贡献，这表明传感器间的相互依赖对检测结果很重要。

Jun, 2021