本文提出了一种数据驱动的方法，利用计算机视觉技术从聚类的雷达数据中学习用于占据栅格映射的逆传感器模型，将问题转化为语义分割任务，并演示了我们的学习占据网模型的表现优于传统方法，具有广泛的应用前景。

Mar, 2019

利用卷积神经网络和网格地图环境表示法，基于传感器数据检测并分类物体，实现了对自动驾驶车辆周围环境感知的精确处理。

May, 2018

本研究提出了一种使用循环神经网络进行动态占用栅格地图预测的方法，通过模拟车辆周围环境来得出静态和动态区域，并且使用了自我运动补偿的方法，从而实现了更为精确的速度估计和更可靠的环境分离。

Nov, 2020

通过融合毫米波雷达和红外热像摄像机，我们提出了一种鲁棒的米制深度估计方法，能够在自动驾驶中实现高精度和细节丰富的密集深度估计。

Feb, 2024

本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

May, 2017

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

本文介绍了一种基于深度学习和对抗训练的随机汽车雷达模型构建方法，该模型能够保持实时性，并呈现基本的雷达效果，解决了实际场景中汽车雷达模拟的挑战。

Jan, 2017

通过将场景表示为动态占据栅格图（dynamic occupancy grid maps，DOGMs），将语义标签与占用的栅格单元关联并结合地图信息，我们提出了一个结合深度学习的时空和概率方法的新型框架来预测车辆行为，并通过与真实注释进行评估，在真实世界的 NuScenes 数据集上验证了我们的结果，表明我们的模型相对于传统的 OGM 预测方法，能够更准确地预测静态和动态车辆的行为，此外，我们进行了消融研究，并评估了语义标签和地图在架构中的作用。

Aug, 2023

本文提出一种基于深度学习的 RaLL 框架，将雷达和激光雷达嵌入到共同的神经网络特征空间中，利用激光雷达现成的映射技术来实现雷达在室外环境下的精准定位和低成本的雷达地图构建。实验结果表明，该系统在 90km 的驾车中具有优异的性能，甚至在 UK 训练，South Korea 测试的泛化场景中仍然表现出色。

Sep, 2020

本文提出了一种基于深度传感器的主动 3D 映射方法，不仅可以学习从稀疏的深度测量中重建稠密的 3D 占据地图，还可以优化深度测量光线的反应控制，该方法通过一种快速且有效的优化算法实现。实验结果表明，基于稀疏测量学习重建的方法与深度测量光线优化相结合，可以有效提高 3D 地图的精度。

Aug, 2017