本文使用深度学习框架对 FMCW 雷达进行物体检测和 3D 估计，在处理雷达训练数据时，通过图像分析提供三维空间中物体方向的真实值，并提出归一化方法以确保成功训练完全卷积网络 (FCN)，该系统能够在嘈杂环境中成功检测到汽车并进一步估计其 3D 位置。

Feb, 2019

本文提出了一种基于雷达的多类别检测方法，结合卷积神经网络和目标聚类，针对目标和对象级别提供低层雷达数据的类信息和目标提议，实验表明该方法表现优越。

Apr, 2020

通过提出一种数据驱动的神经网络方法，本研究展示了在雷达系统中准确目标定位的潜力，优于传统技术的目标方位与速度估计精度，为繁杂和动态环境中更准确的定位铺平了道路。

Jan, 2024

该论文介绍了一种基于深度神经网络的雷达数据处理方法，能够提供无混淆的雷达成像和超高分辨率，使用真实模拟数据进行了验证，证明了该方法性能优于现有的子空间算法和机器学习方案，为雷达信号处理提供了很有前途的解决方案。

Jun, 2023

本研究旨在解决越来越多的雷达传感器在街道上部署时，存在的共存干扰问题。为此，研究提出了使用卷积神经网络（CNN）对数据进行去噪的方法，实验结果证明了该方法的优越性。因此，CNN 可以作为传统信号处理方法之外的一种干扰抑制方法，用于自动驾驶领域的雷达信号处理中。

Jun, 2019

自动驾驶技术在公共道路和工业场景中越来越普遍，但传统摄像头或激光雷达在恶劣环境下的表现受到影响。我们提出了一种基于 4D 雷达的 CNN 架构 TMVA4D，用于语义分割，并且说明了构建数据集的过程。在工业环境的数据集上，我们使用 TMVA4D 获得了 78.2% 的平均交并比分数和 86.1% 的平均 Dice 分数。

Apr, 2024

本文提出了一种基于 RVA 热点图的雷达多透视卷积神经网络 (RAMP-CNN)，该模型结合多个较低维度神经网络模型，能够有效地检测和定位多个不同种类的物体，并在夜间工作稳定，能够是纯光学传感器在恶劣条件下的潜在替代选择。

Nov, 2020

提出了用于地面运动目标指示器雷达中距离 - 多普勒图像的目标检测和不确定性估计的新型机器学习模型，通过使用这些模型的输出，显著提高了复杂多目标空对地跟踪场景中多假设跟踪器的性能。

Jul, 2024

通过开发深度学习重建方法，我们为实时近场多输入多输出（MIMO）雷达成像系统提供了一种新颖的非迭代重建方法，旨在在压缩设置下以较低的计算成本实现高质量图像。

Dec, 2023

在本文中，我们提出一种全卷积神经网络 (CNN) 架构，使用三阶卷积以在不同的入射角度下传递学习到的模式，并在汽车应用中的频率调制连续波雷达 (FMCW radar) 技术中进行干扰抑制和角度参数估计，该架构在性能上优于之前的工作。

Dec, 2023