Nov, 2023

CenterRadarNet: 使用 4D FMCW 雷达的联合 3D 物体检测和跟踪框架

PDF
TL;DR通过使用 CenterRadarNet 来从 4D 雷达数据中进行高分辨率表示学习，对于 3D 物体检测和重新识别任务进行了有效的联合建模，取得了在 K-Radar 3D 物体检测基准测试上的最新成果，并在 K-Radar 数据集 V2 上展示了首次使用雷达进行的 3D 物体追踪结果。
autonomous drivingradarperception3d object detectionre-identification
发现论文，激发创造
  • RODNet: 一种实时雷达物体检测网络，由相机雷达融合的物体三维定位进行交叉监督

    本文提出了一种名为 RODNet 的深度雷达物体检测网络，通过摄像机和雷达融合算法进行交叉监督，可以在实时的条件下有效地检测无线电频率 (RF) 图像中的物体。经过广泛的实验，我们的算法在各种驾驶条件下呈现了鲁棒性，并取得了 86％的平均精度和 88％的平均召回率。

    Feb, 2021

  • 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

  • 基于中心的雷达与摄像头融合技术的三维物体检测

    本文提出了一种名为 CenterFusion 的传感器融合方法，通过结合雷达和摄像头数据来提升自动驾驶汽车的物体感知和探测能力，并在挑战性数据集上的评估中取得了显著的性能提升。

    Nov, 2020

  • 基于全卷积网络的 FMCW 雷达目标检测和三维估计

    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

  • 自动驾驶中基于深度学习的雷达和视觉融合的三维物体检测综述

    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

  • K-Radar：各种天气条件下自动驾驶 4D 雷达物体检测

    本文介绍了 KAIST-Radar 数据集，该数据集包含 4D Radar tensor 数据，并提供了附加的 Lidar、立体相机和 RTK-GPS 测量，用于提高雷达物体检测的准确性，该数据集包含逆境天气下的各类道路，提供了相关基准测试和神经网络，并证明了 4D Radar 更适合逆境天气条件下的物体检测。

    Jun, 2022

  • 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

  • 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

  • MVFAN: 4D 雷达物体检测的多视图特征辅助网络

    提出了一种用于自主驾驶系统的 4D 雷达三维物体检测框架，通过引入多视图特征辅助网络和雷达特征辅助骨干，充分利用不受恶劣天气条件影响的 4D 雷达数据，显著提高小型移动物体的检测性能，为自主驾驶系统的 4D 雷达三维物体检测能力树立了新的标准。

    Oct, 2023

  • ClusterFusion: 在自动驾驶车辆中利用雷达空间特征进行雷达 - 相机三维物体检测

    利用微波雷达和摄像机的互补性，基于深度学习的雷达摄像机三维物体检测方法可以可靠地在低能见度条件下生成准确的检测结果。这使得它们成为自动驾驶车辆感知系统中的首选，特别是由于两种传感器的综合成本比激光雷达更便宜。我们提出了 ClusterFusion，一种利用雷达点云的局部空间特征的架构，在将特征投影到图像平面之前，对雷达点云聚类进行特征提取。ClusterFusion 在 nuScenes 数据集的测试集中取得了最先进的性能，nuScenes 检测分数（NDS）为 48.7％。我们还研究了不同雷达特征提取策略在点云聚类上的性能：一种手工策略，一种基于学习的策略以及两者的组合，并发现手工策略提供了最佳的性能。本研究的主要目标是探索使用雷达点云聚类直接提取雷达的局部空间和逐点特征，用于在图像平面上进行交叉模态特征融合的雷达 - 单目摄像机三维物体检测方法。

    Sep, 2023