RADIATE: A Radar Dataset for Automotive Perception in Bad Weather
Institute of Sensors, Signals and Systems, Heriot-Watt University（赫瑞-瓦特大学传感器、信号与系统研究所）
自动驾驶汽车的数据集对于感知系统的开发和基准测试至关重要。然而，大多数现有的数据集都是在良好的天气条件下使用相机和LiDAR传感器捕获的。在本文中，我们提出了雷达数据集在不利的天气（辐射），旨在促进研究的目标检测，跟踪和场景理解使用雷达传感安全自动驾驶。辐射包括3小时的带注释的雷达图像，总共有超过200K的标记道路演员，平均每个雷达图像约4.6个实例。它涵盖了在各种天气条件下的8种不同类别的行为者（例如，太阳、夜晚、雨、雾和雪）和驾驶场景（例如，停车场、城市、高速公路和郊区），代表不同的挑战水平。据我们所知，这是第一个公共雷达数据集，它提供了公共道路上的高分辨率雷达图像，并标记了大量的道路参与者。在恶劣天气下收集的数据，例如，雾和降雪，是独一无二的。给出了基于雷达的目标检测和识别的一些基线结果，以表明雷达数据的使用在恶劣天气下的汽车应用中是有希望的，在恶劣天气下，视觉和激光雷达可能会失败。辐射还具有立体图像，32通道激光雷达和GPS数据，针对其他应用，如传感器融合，定位和测绘。公共数据集可以在http://pro.hw.ac.uk/radiate/上访问。
2021-04-05 cs.CV cs.RO
DSERT-RoLL: Robust Multi-Modal Perception for Diverse Driving Conditions with Stereo Event-RGB-Thermal Cameras, 4D Radar, and Dual-LiDAR
Visual Intelligence Lab, KAIST（韩国科学技术院视觉智能实验室）
本文提出DSERT-RoLL数据集，结合立体事件、RGB和热成像相机以及4D雷达和双光雷达，涵盖多样的天气和光照条件，提供精确的2D和3D边界框及轨迹ID，支持跨传感器组合的公平比较，提升新型传感器的数据可用性，并建立统一的3D和2D基准，促进传感器性能的系统研究。
2026-04-04 cs.CV
HeRCULES: Heterogeneous Radar Dataset in Complex Urban Environment for Multi-session Radar SLAM
SNU（首尔大学）
针对现有雷达数据集类型单一限制算法发展的问题，本文提出首个集成4D雷达、旋转雷达与FMCW LiDAR的多模态HeRCULES数据集，覆盖多类城市场景与环境条件，可支撑多会话SLAM等多方向研究。
2025-02-21 cs.CV cs.RO
Degradation Resilient LiDAR-Radar-Inertial Odometry
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
针对自主机器人里程计易因激光雷达退化失效的问题，提出紧耦合激光雷达-雷达-惯性融合的因子图窗口平滑里程计方法，可沿非退化轴传递部分信息以抗退化，经真实飞行测试验证并公开数据集。
2024-03-08 cs.RO eess.SP
CRKD: Enhanced Camera-Radar Object Detection with Cross-modality Knowledge Distillation
University of Michigan（密歇根大学）
本文提出CRKD框架，通过BEV共享特征空间和四种蒸馏损失实现LC到CR的跨模态知识蒸馏，在nuScenes上验证其可显著缩小相机-雷达与LiDAR-相机检测的性能差距。
2024-03-28 cs.CV cs.RO
MultiFly: A Real-World Multimodal Aerial Dataset with Annotation-Efficient Label Transfer and Cross-Modal Semantic Consistency
Fraunhofer Institute IVI（弗劳恩霍夫交通系统研究所）；Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；University of Cambridge（剑桥大学）；Univ. of Applied Sciences Ingolstadt（英戈尔施塔特应用科学大学）
MultiFly是一个真实世界低空多模态航空数据集，通过仅标注115张RGB图像并利用共享几何表示将标签高效迁移至RGB、热成像、LiDAR和雷达模态，实现高一致性的语义分割基准，为多模态航空感知提供可扩展基础。
2026-10-15 cs.CV cs.RO
V2X-Radar: A Multi-modal Dataset with 4D Radar for Cooperative Perception
School of Vehicle and Mobility, Tsinghua University（车辆与移动性学院，清华大学）；Nanyang Technological University（南洋理工大学）；CUMTB（中国交通车辆技术研究所）；University of California, Los Angeles（加州大学洛杉矶分校）；Beijing Jiaotong University（北京交通大学）；ByteDance（字节跳动）
V2X-Radar是首个包含4D雷达的多模态数据集，用于提升自动驾驶中的协作感知能力。
2026-01-16 cs.CV
RCTDistill: Cross-Modal Knowledge Distillation Framework for Radar-Camera 3D Object Detection with Temporal Fusion
Seoul National University（首尔国立大学）；Hanyang University（翰阳大学）；Hyundai Motor Company（现代汽车公司）
本文提出RCTDistill跨模态知识蒸馏框架，通过距离-方位蒸馏、时序蒸馏和区域解耦蒸馏三个模块解决雷达-相机融合中的传感器误差与时序错位问题，在nuScenes和VoD数据集上以26.2 FPS达到最先进性能。
2025-09-22 cs.CV
IMKD: Intensity-Aware Multi-Level Knowledge Distillation for Camera-Radar Fusion
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
IMKD通过多级知识蒸馏提升雷达-相机融合性能，实现67.0% NDS和61.0% mAP的高精度检测
2025-12-17 cs.CV cs.LG
ColoRadar: The Direct 3D Millimeter Wave Radar Dataset
University of Colorado Boulder（科罗拉多大学博尔德分校）
毫米波雷达作为机器人测绘和状态估计的传感模态正变得越来越流行。然而，很少有公开可用的数据集包括密集，高分辨率的毫米波雷达扫描，并且没有一个专注于3D测距和映射。在本文中，我们提出了一个解决这个问题的方法。ColoRadar数据集包括来自2个FMCW雷达传感器的3种不同形式的密集、高分辨率雷达数据，以及3D激光雷达、IMU，以及在高度多样化的3D环境中收集约2小时数据汇集的传感器钻机姿态的高度精确地面实况。
2021-03-08 cs.RO
Learning Shared Cross-modality Representation Using Multispectral-LiDAR and Hyperspectral Data
German Aerospace Center (DLR)（德国航空航天中心）；Technical University of Munich (TUM)（慕尼黑工业大学）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立理工学院）；University of Iceland（冰岛大学）；RIKEN（日本理化学研究所）
由于数据源的日益多样化，多模态特征学习受到越来越多的关注。然而，大多数这些方法的设计，共同学习的多模态，存在于训练和测试集的特征表示，但他们很少研究在测试阶段缺乏某些模态。为此，在这封信中，我们建议在训练过程中跨多模态学习共享特征空间。通过这种方式，可以将来自任何多模态的样本外直接投影到学习空间上，以获得更有效的跨模态表示。更重要的是，在我们提出的方法中，共享空间被视为一个潜在的子空间，它连接原始的多模态样本与标签信息，以进一步提高特征的区分度。在2018年IEEE GRSS数据融合竞赛提供的多光谱激光雷达和高光谱数据集上进行了实验，与几种流行的基线相比，证明了所提出的方法的有效性和优越性。
2020-06-08 cs.CV
LiRaFusion: Deep Adaptive LiDAR-Radar Fusion for 3D Object Detection
University of Michigan（密歇根大学）
本文提出LiRaFusion，通过设计早期和中间融合模块自适应融合LiDAR与radar特征，有效提升了3D目标检测性能并在nuScenes数据集上取得显著改善。
2024-02-18 cs.CV cs.RO
Radar-to-Lidar: Heterogeneous Place Recognition via Joint Learning
Zhejiang University（浙江大学）
地点识别对于离线地图和在线本地化都至关重要。然而，目前基于单传感器的位置识别在恶劣条件下仍然具有挑战性。在本文中，异构测量为基础的框架提出了长期的地方识别，检索查询雷达扫描从现有的激光雷达地图。为了实现这一目标，在学习阶段建立了一个深度神经网络，并进行联合训练，然后在测试阶段，提取雷达和激光雷达的共享嵌入用于异构位置识别。为了验证该方法的有效性，我们在多会话公共数据集上进行了测试和推广实验，并与其他竞争方法进行了比较。实验结果表明，我们的模型能够执行多个位置识别：激光雷达到激光雷达，雷达到雷达和雷达到激光雷达，而学习模型只训练一次。我们还公开发布了源代码：https://github.com/ZJUYH/radar-to-lidar-place-recognition。
2021-06-18 cs.CV cs.RO
Rethinking of Radar's Role: A Camera-Radar Dataset and Systematic Annotator via Coordinate Alignment
University of Washington（华盛顿大学）；Zhejiang University（浙江大学）；Silkwave Holdings Limited（Silkwave控股有限公司）
长期以来，雷达一直是自动驾驶车辆上用于障碍物测距和速度估计的常见传感器。然而，作为一个强大的传感器，全天候条件下，雷达的能力还没有得到很好的利用，相比相机或激光雷达。雷达隐藏在无线电频率中的丰富信息不仅可以作为辅助传感器，还可以为实现更复杂的任务提供有用的线索，如物体分类和检测。在本文中，我们提出了一个新的数据集，名为CRUW，系统的注释器和性能评估系统，以解决雷达目标检测（ROD）的任务，其目的是分类和定位的对象在3D纯粹从雷达的射频（RF）图像。据我们所知，CRUW是第一个具有系统注释和评估系统的公共大规模数据集，其中涉及在各种驾驶场景中收集的摄像头RGB图像和雷达RF图像。
2021-05-11 cs.CV
LRFusionPR: A Polar BEV-Based LiDAR-Radar Fusion Network for Place Recognition
Beijing Institute of Technology（北京理工大学）
针对自动驾驶中激光雷达与雷达融合地点识别的难点，提出基于极坐标BEV的双分支LRFusionPR网络，通过交叉注意力融合和知识蒸馏提升识别准确率与天气鲁棒性，在多数据集上验证有效。
2025-10-02 cs.CV cs.RO
Improving Extrinsics between RADAR and LIDAR using Learning
Texas A&M University（得克萨斯农工大学）
本文提出一种基于深度学习的3D RADAR-LIDAR外参标定方法，通过单步优化算法最小化重投影误差并利用MLP回归传感器返回能量，有效提升了外参参数的估计精度。
2023-05-17 cs.CV cs.RO
Radar-on-Lidar: metric radar localization on prior lidar maps
Zhejiang University（浙江大学）
雷达和激光雷达由两种不同的距离传感器提供，在移动机器人或自动驾驶上的各种感知任务中各有优缺点。在本文中，蒙特卡洛系统被用来定位机器人与旋转雷达传感器上的二维激光雷达地图。我们首先训练一个条件生成对抗网络，将原始雷达数据转换为激光雷达数据，并从生成器获取可靠的雷达点。然后，一个有效的雷达里程计包括在蒙特卡洛系统。结合里程计的初始猜测，提出了一种测量模型，以匹配雷达数据和先前的激光雷达地图，以进行最终的2D定位。我们证明了所提出的本地化框架的有效性在公共多会话数据集。实验结果表明，该系统可以实现高精度的长期定位在户外场景。
2020-10-12 cs.RO
SCKD: Semi-Supervised Cross-Modality Knowledge Distillation for 4D Radar Object Detection
Zhejiang University（浙江大学）；Zhejiang Provincial Key Laboratory of Multi-Modal Communication Networks and Intelligent Information Processing（浙江省多模态通信网络与智能信息处理重点实验室）；China North Artificial Intelligence & Innovation Research Institude（北方人工智能创新研究院）
本文提出SCKD方法，通过半监督跨模态知识蒸馏从Lidar-雷达融合教师网络向仅雷达学生模型转移知识，显著提升了4D雷达3D目标检测性能。
2024-12-19 cs.AI cs.CV eess.IV
RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps
University of Freiburg（弗莱堡大学）
提出RaLF，一种基于深度神经网络的雷达定位方法，通过跨模态度量学习实现地点识别，并利用像素级流向量预测3自由度变换，在多个真实数据集上达到最先进性能并泛化到新城市和传感器配置。
2024-11-04 cs.CV cs.RO
Radar-Lidar Fusion for Object Detection by Designing Effective Convolution Networks
Aalto University（阿尔托大学）；Finnish Center for Artificial Intelligence（芬兰人工智能中心）；Gwangju Institute of Science and Technology（光州科学技术院）
本文提出一种雷达-激光雷达融合的双分支目标检测框架，通过加性注意力整合特征并引入并行分叉结构处理尺度变化，在Radiate数据集上超越现有最优方法。
2023-10-30 cs.CV cs.RO
Dr-LiSA: Direct Radar-Lidar Scan Alignment for SE(3) Localization
University of Toronto（多伦多大学）；ETH Zürich（苏黎世联邦理工学院）
Dr-LiSA 提出一种直接配准方法，利用学习的前向模型将 2D 雷达扫描与 3D 激光雷达地图在 $SE(3)$ 中对齐，克服模态差异，在 90 公里数据上优于现有雷达-激光雷达方法，平面精度媲美雷达-雷达系统。
2026-10-06 cs.RO
JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision
Ajou University（韩国亚洲大学）；Kennesaw State University（肯尼索州立大学）
研究自动驾驶系统中雷达-相机深度估计问题，提出单阶段JustDepth方法，仅用雷达、相机和单扫描激光雷达训练，能聚合雷达回波解耦运行时与点数，融合模态传播深度，减轻条纹伪影，相比先进方法减少推理时间并降低条纹伪影。
2026-07-27 cs.CV cs.RO
Adaptive LiDAR-Radar Fusion for Outdoor Odometry Across Dense Smoke Conditions
针对感知退化环境中的里程计估计难题，提出一种LiDAR-雷达融合方法，通过比较点云识别LiDAR退化，在浓烟条件下可靠估计里程计并处理动态点。
2024-04-19 cs.RO
4D-ROLLS: 4D Radar Occupancy Learning via LiDAR Supervision
Department of Automation, School of Intelligence Science and Engineering, Harbin Institute of Technology（自动化系、智能科学与工程学院、哈尔滨工业大学）
针对现有占用估计方法在恶劣环境下表现不佳的问题，提出以LiDAR为监督的4D雷达弱监督占用估计方法4D-ROLLS，性能优异、鲁棒性强，可迁移至下游任务且推理速度快。
2025-05-20 cs.CV cs.RO
TRaIL-Odom: Tightly Coupled Continuous Time Radar-IMU-LiDAR Odometry with Adaptive Doppler Weighting
Seoul National University（首尔国立大学）；ETH Zürich（苏黎世联邦理工学院）；Robotics and AI Institute（机器人与人工智能研究院）
TRaIL-Odom提出紧耦合雷达-IMU-激光雷达里程计的自适应多普勒加权模块，在13个序列上达SOTA，退化场景优势显著， ablation实验降RMSE ATE和RTE达86.0%、78.5%。
2026-09-04 cs.RO
IMU-Preintegrated Radar Factors for Asynchronous Radar-LiDAR-Inertial SLAM
Norwegian University of Science and Technology (NTNU)（挪威科学技术大学）
针对异步雷达-激光雷达-惯性SLAM中节点过多导致优化耗时的问题，提出利用IMU预积分将激光雷达状态传播至雷达时刻的雷达因子，在保持精度的同时减少50%节点并最多降低56%优化时间。
2025-09-26 cs.RO
LiRaNet: End-to-End Trajectory Prediction using Spatio-Temporal Radar Fusion
Uber Advanced Technologies Group（优步先进技术集团）；University of Toronto（多伦多大学）
在本文中，我们提出了LiRaNet，这是一种新型的端到端轨迹预测方法，它利用了雷达传感器信息以及广泛使用的激光雷达和高清（HD）地图。汽车雷达提供丰富的互补信息，允许更远距离的车辆检测以及瞬时径向速度测量。然而，也有一些因素使得激光雷达和雷达信息的融合具有挑战性，例如雷达测量的相对较低的角分辨率，它们的稀疏性以及与激光雷达缺乏精确的时间同步。为了克服这些挑战，我们提出了一种有效的时空雷达特征提取方案，该方案在多个大规模数据集上实现了最先进的性能。此外，通过结合雷达信息，我们对高加速度物体的预测误差降低了52%，对较长距离物体的预测误差降低了16%。
2020-11-12 cs.CV cs.RO
RLCNet: An end-to-end deep learning framework for simultaneous online calibration of LiDAR, RADAR, and Camera
Department of Mechanical Engineering, Politecnico di Milano（机械工程系，米兰理工学院）
RLCNet通过端到端深度学习框架实现激光雷达、雷达和摄像头的同时在线校准，提升自动驾驶系统在动态环境中的感知可靠性。
2025-12-09 cs.CV cs.RO
DeepFusion: A Robust and Modular 3D Object Detector for Lidars, Cameras and Radars
Robert Bosch GmbH（罗伯特·博世有限公司）
我们提出了DeepFusion，这是一种模块化的多模态架构，可以将激光雷达，摄像头和雷达以不同的组合融合在一起，用于3D目标检测。专业的特征提取器利用每种模态，并且可以轻松交换，使方法简单而灵活。提取的特征被转换成鸟瞰图作为一个共同的表示融合。在特征空间中融合模态之前执行空间和语义对齐。最后，检测头利用丰富的多模态特征来提高3D检测性能。激光雷达-相机、激光雷达-相机-雷达和相机-雷达融合的实验结果表明了该融合方法的灵活性和有效性。在这个过程中，我们研究了远距离汽车检测的基本上未探索的任务，最远可达225米，展示了我们的激光雷达相机融合的好处。此外，我们调查所需的密度的激光雷达点的三维目标检测，并说明在对恶劣天气条件下的鲁棒性的例子的影响。此外，我们的相机雷达融合烧蚀研究突出了准确的深度估计的重要性。
2022-09-27 cs.AI cs.CV cs.LG
LEROjD: Lidar Extended Radar-Only Object Detection
Institute of Control Theory and Systems Engineering, TU Dortmund University（多特蒙德工业大学控制理论与系统工程研究所）；ZF Group（采埃孚集团）
本文提出LEROjD，利用激光雷达通过点云抽稀的多阶段训练和跨模态知识蒸馏增强仅雷达3D目标检测，最高提升4.2个百分点mAP且无需改架构。
2024-09-09 cs.AI cs.CV cs.RO
Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights
Robotics Institute University of Toronto（机器人研究所，多伦多大学）
本文提出一种基于深度学习的加权预处理方法，结合可微ICP库，通过过滤雷达伪影和噪声点，提升雷达-激光雷达定位精度与收敛性，并公开代码。
2025-05-27 cs.LG cs.RO
LiCROcc: Teach Radar for Accurate Semantic Occupancy Prediction using LiDAR and Camera
Institute of Cyber-Systems and Control, Zhejiang University（浙江大学 cyber 系统与控制研究所）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Technical University of Munich（慕尼黑工业大学）
本文提出LiCROcc框架，通过跨模态蒸馏将LiDAR和相机融合特征的知识传递给雷达模型，在nuScenes-Occupancy数据集上显著提升了语义场景补全性能。
2024-07-23 cs.CV cs.RO
Are We Ready for Radar to Replace Lidar in All-Weather Mapping and Localization?
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）
本研究基于Boreas数据集对比纯雷达、纯激光雷达及跨模态雷达-激光雷达定位系统的全天候性能，发现激光雷达定位抗降水能力被低估，雷达可凭小地图实现可比精度，未来可在极端天气或冗余备份场景发挥作用。
2023-06-08 cs.RO
The Impact of 2D Segmentation Backbones on Point Cloud Predictions Using 4D Radar
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；Electrical & Computer Engineering Department, University of Pittsburgh（匹兹堡大学电气与计算机工程系）
本研究探讨不同容量2D分割骨干网络对基于4D雷达生成3D点云质量的影响，发现最优骨干可提升23.7%，而过高容量反而有害。
2025-10-10 cs.CV cs.RO
RSS-Net: Weakly-Supervised Multi-Class Semantic Segmentation with FMCW Radar
University of Oxford（牛津大学）；Oxford Robotics Institute（牛津机器人研究所）
本文提出了一种高效的注释过程及其应用端到端，丰富的语义分割的感知环境使用FMCW扫描雷达。我们提倡雷达而不是用于此任务的传统传感器，因为它在更长的范围内工作，并且对恶劣的天气和照明条件更加强大。我们通过利用迄今为止收集的最大的以雷达为中心的城市自治数据集，将雷达扫描与RGB摄像头和激光雷达传感器关联起来，避免了费力的手动标签，其中语义分割已经是一个统一的程序。训练过程利用了最先进的自然图像分割系统，该系统是公开可用的，因此，与以前的方法相比，通过结合四个相机和两个激光雷达流，可以为雷达流生成丰富的标签。此外，通过沿着当前车辆位置的前方和后方的姿态链累积LiDAR返回，考虑到雷达传感器地平线的标签来计算损失。最后，我们提出了具有多通道雷达扫描输入的网络，以处理短暂且动态的场景对象。
2020-04-02 cs.CV cs.RO
DenserRadar: A 4D millimeter-wave radar point cloud detector based on dense LiDAR point clouds
School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 Mobility学院）
针对4D毫米波雷达点云稀疏且含噪的问题，本文提出DenserRadar，利用拼接LiDAR点云生成稠密3D占据真值并训练专用网络，在K-Radar上提升了点云密度与检测精度。
2024-05-08 cs.RO
Online Target-less Radar-LiDAR-Camera Extrinsic Calibration via Joint Optimization
KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院（KAIST））；Kookmin University（国民大学）；LG Innotek（LG伊诺特）
本文提出一种联合优化框架，通过构建各传感器对残差并同时优化外参，结合自适应雷达噪声滤波和对应累积策略，实现在线无靶标雷达-激光雷达-相机标定，降低标定误差。
2026-10-06 cs.RO
Real Time Lidar and Radar High-Level Fusion for Obstacle Detection and Tracking with evaluation on a ground truth
Institut VEDECOM（VEDECOM研究所）
- 激光雷达和雷达都是用于障碍物探测的传感器。虽然激光雷达对障碍物的位置非常准确，但对它们的速度不太准确，但雷达对障碍物的速度更精确，对它们的位置不太精确。激光雷达和雷达之间的传感器融合旨在利用两种传感器的优点来提高障碍物检测。提出了一种基于全局最近邻标准滤波器（GNN）的激光雷达/雷达数据实时融合障碍物检测与跟踪算法。该算法的实现和嵌入在一个自动车辆作为一个实时多传感器软件生成的组件。通过几个跟踪场景（在高速公路上和弯道上）和使用安装在自我和跟踪车辆上的实时运动传感器作为真值来说明数据融合与使用单个传感器相比的好处。
2019-07-01 cs.PF cs.RO
ROSS: Radar Off-road Semantic Segmentation
Texas A\&M University, College Station TX 77843, USA
本研究提出一种利用LIDAR数据和已标注数据集生成RADAR图像标签的新流程，解决越野场景RADAR数据语义分割难题，验证了RADAR在越野导航中的潜力。
2023-10-20 cs.CV cs.RO
Imaging radar and LiDAR image translation for 3-DOF extrinsic calibration
提出一种利用CycleGAN将雷达图像转换为LiDAR风格图像的3-DOF外参标定框架，结合图像配准与去畸变技术，在MulRan数据集上显著优于滤波方法。
2024-03-27 cs.RO
3DRO: Lidar-level SE(3) Direct Radar Odometry Using a 2D Imaging Radar and a Gyroscope
Robotics Institute, University of Toronto（多伦多大学机器人研究所）；Mobile Robotics Lab, ETH Zurich（苏黎世联邦理工学院移动机器人实验室）
本文提出3DRO，扩展SE(2)直接雷达里程计框架以实现SE(3)状态估计，通过2D速度估计保持数据平面性并结合3D陀螺仪测量，实现激光雷达级精度。
2026-05-10 cs.RO
GaRLIO: Gravity enhanced Radar-LiDAR-Inertial Odometry
Robotics and AI (RAI) Institute（机器人与人工智能研究所）
针对状态估计中的垂直漂移问题，提出融合雷达逐点速度的重力增强雷达-激光雷达-惯性里程计GaRLIO，可提升重力估计精度与状态估计性能，还能移除动态点云保障鲁棒性，实验优于传统方法且代码已开源。
2025-02-21 cs.RO
Viking Hill Dataset: A Lidar-Radar-Camera Dataset for Detection and Segmentation in Forest Scenes
Örebro University（奥雷布罗大学）；AASS research centre（AASS研究中心）；Robot Navigation and Perception Lab（机器人导航与感知实验室）
提出首个包含4D成像雷达的森林多传感器数据集，通过MinkowskiUNet实现雷达与激光雷达点云的语义分割，并评估树干分割质量与树木尺寸的关系。
2026-06-18 cs.RO
CaRLi-V: Camera-RADAR-LiDAR Point-Wise 3D Velocity Estimation
ETH Zürich（苏黎世联邦理工学院）；Robotic Systems Lab (RSL), ETH Zürich（苏黎世联邦理工学院机器人系统实验室）
本文提出CaRLi-V方法，结合雷达、激光雷达和摄像头数据，通过雷达速度立方体、光流和激光雷达测距，实现点云三维速度估计，优于现有场景流方法。
2026-04-10 cs.RO
Radar Occupancy Prediction with Lidar Supervision while Preserving Long-Range Sensing and Penetrating Capabilities
National Yang Ming Chiao Tung University（阳明交通大学）；Industrial Technology Research Institute（工业技术研究院）
雷达通过在各种天气条件下实现远程感知，显示出巨大的自动驾驶潜力。但由于雷达噪声的存在，雷达也是一种特别具有挑战性的传感方式。最近的工作已经取得了巨大的进展，分类自由和占用空间的雷达图像，利用激光雷达标签监督。然而，仍有几个未解决的问题。首先，结果的感知距离受到激光雷达的感知范围的限制。其次，由于两个传感器之间的物理感知差异，激光雷达的结果的性能退化。例如，激光雷达可见的一些物体对雷达是不可见的，而由于雷达的穿透能力，在激光雷达扫描中被遮挡的一些物体在雷达图像中是可见的。这些感测差异分别导致假阳性和穿透能力退化。本文提出了训练数据预处理和极坐标滑动窗口推理的方法来解决这一问题。数据预处理的目的是减少雷达不可见的测量在激光雷达扫描造成的影响。极性滑动窗口推理的目的是通过将近距离训练的网络应用于远距离区域来解决有限的感知范围问题。而不是使用常见的笛卡尔表示，我们建议使用极坐标表示，以减少长距离和近距离数据之间的形状相异性。我们发现，将近距离训练的网络扩展到极空间中的远距离区域推断，其IoU比笛卡尔空间中的要好4.2倍。此外，极坐标滑动窗推理通过改变推理区域的视点，使一些遮挡观测值在预先训练好的网络中表现为非遮挡观测值，从而保持了雷达的穿透能力。
2022-01-18 cs.LG cs.RO
Unsupervised Radar Point Cloud Enhancement via Arbitrary LiDAR Guided Diffusion Prior
James Cook University（詹姆斯库克大学）；Momoni AI；University Medical Center Göttingen（戈丁根大学医学中心）；Heidelberg University（海德堡大学）
本文提出无监督雷达点云增强方法，将角度估计恢复建模为逆问题，并利用任意LiDAR引导的扩散先验，在无需配对训练数据的情况下达到高保真、低噪声及更好泛化效果。
2025-05-15 cs.RO
Assessing the Robustness of LiDAR, Radar and Depth Cameras Against Ill-Reflecting Surfaces in Autonomous Vehicles: An Experimental Study
ETH Zurich（苏黎世联邦理工学院）
本文通过实验评估弱反射表面对LiDAR、雷达和深度相机三种测距传感器的影响，发现LiDAR性能降至标称条件的33%，而雷达和深度相机保持100%，并在1:10自动驾驶赛车上验证了弱反射对下游任务的不利影响，强调鲁棒距离感知的必要性。
2023-09-19 cs.RO
Radar-Only Off-Road Local Navigation
Texas A&M University（德克萨斯A&M大学）
本文研究仅用雷达实现越野局部导航，通过适配激光雷达方法，证明雷达在保持地平面估计和障碍物检测精度的同时具备更远探测距离，并成功完成2.5 m/s、350 m路径的自主导航。
2023-10-26 cs.RO
Targetless 6DoF Calibration of LiDAR and 2D Scanning Radar Based on Cylindrical Occupancy
针对多模态传感器外参易因振动偏移的问题，提出基于圆柱空间占据一致性的LiRaCo无目标6DoF标定方法，经真实户外数据集实验验证具备可行性与准确性。
2025-03-21 cs.AI cs.RO
Registering the 4D Millimeter Wave Radar Point Clouds Via Generalized Method of Moments
School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（上海交通大学自动化与智能感知学院）；Institute of Medical Robotics, Shanghai Jiao Tong University（上海交通大学医疗机器人研究院）；Department of Statistics, Uppsala University（乌普萨拉大学统计系）
针对4D雷达点云稀疏噪声导致配准困难的问题，提出基于广义矩方法的配准框架，无需显式点对应，在合成与真实数据集上精度和鲁棒性优于基准方法，甚至接近激光雷达方法。
2026-07-01 cs.CV cs.RO
When LiDAR Fades, Radar Takes Over: LiDAR Reliability-Aware Adaptive Localization Under Airborne Obscurants
Luleå University of Technology（吕勒奥理工大学）
针对地下环境中LiDAR受遮蔽物影响退化的问题，提出单类时序学习框架，通过LSTM自动编码器检测退化，自适应切换LIO与RIO实现稳健定位，相关代码将开源。
2026-10-12 cs.RO
Continuous-Time Radar-Inertial and Lidar-Inertial Odometry using a Gaussian Process Motion Prior
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Technical University of Munich（慕尼黑工业大学）
本文提出基于高斯过程运动先验的连续时间雷达-惯性与激光雷达-惯性里程计，利用稀疏先验降低计算复杂度，并通过融合IMU将雷达里程计性能提升43%，实现实时运行。
2024-11-20 cs.RO
Lidar-level localization with radar? The CFEAR approach to accurate, fast and robust large-scale radar odometry in diverse environments
Örebro University（厄勒布鲁大学）；University of Baghdad（巴格达大学）；TU Munich（慕尼黑工业大学）
本文提出CFEAR雷达里程计扩展方法，通过运动补偿、一对多配准和新求解策略，在多样环境中无需调参即可实现高精度快速定位，性能超越雷达SLAM并接近激光雷达SLAM。
2023-04-14 cs.RO
Doppler-SLAM: Doppler-Aided Radar-Inertial and LiDAR-Inertial Simultaneous Localization and Mapping
Julius-Maximilians-Universität Würzburg（乌尔姆-马克斯-普朗克大学）；Zentrum für Telematik e.V.（电信研究中心）；Nuremberg Institute of Technology Georg Simon Ohm（纽伦堡技术学院 Georg Simon Ohm）；CARIAD SE（CARIAD SE公司）；University of Bonn（波恩大学）；Center for Robotics（机器人中心）；Lamarr Institute for Machine Learning and Artificial Intelligence（Lamarr机器学习与人工智能研究所）
Doppler-SLAM通过融合多普勒雷达、激光雷达和惯性传感器，提升在复杂环境下的定位与建图精度和鲁棒性。
2026-02-04 cs.RO
