提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

Mar, 2023

提出了一种名为 EchoFusion 的新方法，通过跳过现有雷达信号处理管道并将雷达原始数据与其他传感器结合，利用雷达回波的丰富和无损距离和速度线索以及图像的丰富语义线索，在 RADIal 数据集上超越现有方法并接近激光雷达性能。

Jul, 2023

本文提出了利用无人机作为移动空中继站来解决现代无线通信中的基本被动窃听问题，通过多用户波束成形和深度强化学习算法来优化空中继站的位置和传输功率，使得在无法获取窃听通道情况下，划分系统后的通信保密容量能够随用户数的增加而逐渐提高。

Jun, 2023

使用无人机的无源射频和电光图像数据进行多阶段融合架构的开发，以提高整体跟踪和分类能力，并结合 RF 指纹识别为无人机提供唯一设备标识。

Mar, 2024

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

利用雷达技术进行航空点云的语义分割，同时识别多个碰撞威胁，提高无人机的环境感知能力和安全性。

Nov, 2023

提出了一种基于贝叶斯神经网络的新颖不确定性感知合成孔径雷达自动目标识别系统，可以检测到对 RAS 图像进行的敌对攻击，并生成可视化解释，帮助人类决策者判断敌对攻击证据。实验证明该方法能够识别超过 80% 的敌对 RAS 图像，误报率低于 20%，并且可视化解释能够识别超过 90% 的敌对散射体。

Mar, 2024

RCBEVDet 是一种在鸟瞰视角下将雷达和相机融合的三维物体检测方法，通过设计 RadarBEVNet 网络进行雷达鸟瞰特征提取，并结合交叉注意力多层融合模块实现自动对齐和融合多模态特征，取得了领先于现有方法的检测结果。

Mar, 2024

基于自监督学习构建的基础模型 SARATR-X，通过集成多个数据集、使用不同的模型骨干和两阶段训练技术，实现了在 5 个数据集上具有竞争力和优越性能的普适合成孔径雷达自动目标识别。

May, 2024

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