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

本文研究了自动驾驶系统中车辆安全性的提高、深度学习基础的障碍物检测和分割、雷达传感器和摄像头传感器的融合，以及在车辆感知中的数据集、度量、挑战和开放性问题，这些元素对于提高自动驾驶系统的普及率具有重要意义。

Mar, 2023

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

自主驾驶中基于雷达与视觉融合的深度学习方法对于三维目标检测起到重要作用，本文综述了雷达 - 视觉融合的综合研究，特别关注了区域兴趣融合和端到端融合策略，并介绍了最新的四维雷达技术及其在自动驾驶中的应用。

Jun, 2024

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。

Apr, 2023

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

本文介绍了最近在深度学习领域取得的自主驾驶感知技术。对于实现强大而准确的场景理解，自动驾驶车辆通常配备多种传感器 (例如相机、激光雷达、雷达)，并且可以将多种感知模式融合以利用它们的互补性。然而，网络架构设计方面缺乏通用指导方针，关于 “何时融合” 和 “如何融合” 等问题仍然存在争议。本文系统地总结了方法学和讨论了自主驾驶中深度多模式对象检测和语义分割的挑战。

Feb, 2019

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