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

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

雷达和激光雷达传感器数据融合能够充分利用它们的互补优势，并为自动驾驶系统提供更准确的周围环境重建。本文介绍了一种基于最先进的目标检测模型 MVDNet 的技术，可以以由更快速的激光雷达限定的工作频率来融合全景雷达和激光雷达，从而满足自动驾驶系统对高响应性的要求，并通过增强训练过程来探索 MVDNet 中的时间冗余，以实现高输出频率且准确度损失较小。

Sep, 2023

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

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

为了使自动驾驶汽车能够成功运行，需要能够准确检测远处的车辆。本研究发现，结合雷达数据可以提高卷积神经网络在检测远处小物体时的表现，同时提出了一种使用不同焦距摄像头进行数据生成的高效自动方法。

Jan, 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

本文提出一种混合逐点雷达 - 光学融合方法，结合了来自范围 - 多普勒频谱和光学图像的密集上下文信息，用于自动驾驶场景中的目标检测，表现优于最近的 FFT-RadNet 方法。

Jul, 2023

本论文评述了无人驾驶中基于深度学习的感知技术的发展，介绍了传感器融合技术在提升高精度和鲁棒性感知能力中的关键地位，重点介绍了雷达和相机传感器融合在物体检测和语义分割问题中，探索了该领域中的各种挑战和潜在的研究方向以及数据集和融合方法的互动网站。

Apr, 2023

该综述研究了自动驾驶系统中使用的雷达数据表示，介绍了雷达传感器的能力和局限性，探讨了 ADC 信号、雷达张量、点云、网格地图和微多普勒特征等五种雷达数据表示方法，并分析了相关数据集、方法、优势和局限性，提出了潜在的研究方向和挑战，为雷达感知研究者提供了深入洞察，并通过交互网站方便不同数据表示、数据集和方法的检索和比较。

Dec, 2023