实现射频可视识别
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。
Nov, 2023
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
以 4D 毫米波雷达为基础,作者构建了第一个桥接自然语言和雷达场景的数据集 Talk2Radar,提出了一种新颖模型 T-RadarNet,实现了 3D 点云的自然语言驱动上下文理解,并在 Talk2Radar 数据集上取得了领先同类模型的最先进性能。
May, 2024
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
提出 LiRaFusion 以解决基于 LiDAR 和雷达的三维目标检测的问题,并通过早期融合模块和中期融合模块来改善特征提取能力,最终在 nuScenes 上取得了显著改进。
Feb, 2024
本文介绍了一种基于 FFT-RadNet 的新型高清雷达感知模型,该感知模型不需要计算范围 - 方位 - 多普勒 3D 张量,而使用范围 - 多普勒频谱进行角度恢复;通过该模型实现了车辆检测和驾驶空间分割。同时,文中还介绍了一组同步的汽车级传感器(相机、激光雷达、高清雷达)所采集且已经进行标注的数据集(RADIal)
Dec, 2021
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
该论文探讨了基于 4D 成像雷达和摄像头的图像视图转换策略并提出一种 “雷达占用格辅助深度采样” 的方法,该方法在 VoD 和 TJ4DRadSet 数据集上的实验结果均表现出较高水平的 3D 物体检测性能。
Jul, 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