Apr, 2023

RadarFormer：轻量级高精度实时雷达物体检测模型

PDF
TL;DR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。
autonomous drivinglidar sensorsradar object detectiontransformers-based modelcruw radar dataset
发现论文，激发创造
  • 激光照亮黑暗：通过相机与雷达融合技术提升自动驾驶车辆低能见度感知

    本篇论文提出了一种基于变形金刚网络的 3D 物体检测模型 REDFormer，该模型通过使用鸟瞰相机和雷达融合，解决低能见度条件下自动驾驶系统的感知问题，并且在多雷达点云数据、多种天气和时间数据的 nuScenes 数据集上进行验证，相比其他最先进模型，该模型在低能见度情况下表现出更高的检测精度。

    May, 2023

  • 深度雷达探测器

    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

  • RaLiBEV：雷达和激光雷达 BEV 融合学习的无锚框目标检测系统

    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

  • 在高分辨率 3+1D 雷达背景下的 3D 物体检测器综述

    基于深度学习的雷达感知、三维物体检测、激光雷达点云、雷达数据的检测性能和适配等方面的研究综述。

    Aug, 2023

  • 设计有效的卷积网络进行雷达激光雷达融合目标检测

    利用雷达和激光雷达的融合技术提高在恶劣天气条件下的物体检测和定位的准确性。

    Oct, 2023

  • 自动驾驶雷达：深度学习方法与挑战综述

    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

  • 基于深度学习的雷达和摄像头传感器融合架构用于物体检测

    本文提出了一种通过融合镜头和雷达数据的 CameraRadarFusionNet 网络，在二维目标检测技术上取得了优于目前最新图像网络的性能，同时使用了专注于某一特定传感器类型的普遍训练策略 BlackIn。

    May, 2020

  • ROFusion: 利用混合点云雷达 - 光学融合实现高效物体检测

    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

  • 视觉与毫米波雷达相遇：自动驾驶的三维物体感知基准

    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

  • 雷达体素融合用于 3D 目标检测

    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