Anchor-Based AI Approach for Pre-Crash Object Detection Utilizing Micro-Doppler Signatures in Automotive Radar
该研究提出基于锚的AI模型，结合雷达微多普勒特征与创新雷达图像膨胀技术，提升碰撞前目标检测性能，在动态场景中优于现有汽车雷达跟踪方法。
2026-08-11 cs.RO
Road Boundary Estimation Using Sparse Automotive Radar Inputs
Texas A&M University（德州农工大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出一种基于稀疏雷达信号的道路边界估计方法，结合DPMM、MFVI和定制RANSAC交替优化候选边界模型，实测平均误差不超过11.0厘米。
2023-09-15 cs.RO
A Statistical Method for Parking Spaces Occupancy Detection via Automotive Radars
University of Michigan（密歇根大学）
实时的停车场占用信息对于指导驾驶员寻找停车位具有重要价值。最近，发明了许多使用基于距离的车载传感器的停车检测系统，但是它们忽视了获得对任何基于特征的算法所需的原始传感数据的访问的实际困难。在本文中，我们专注于使用嵌入在高级驾驶员辅助系统（ADAS）中的短程雷达（SRR）来收集占用信息，并通过连接的车辆网络进行广播的系统。通过统计方法而不是特征提取来克服通过ADAS单元传输的数据已被编码为稀疏点的挑战。本文提出了一种结合Mean-Shift聚类和支持向量机的两步分类算法来分析SRR-GPS数据，并通过野外试验对其进行了评价。研究结果表明，道路外停车的平均I类出错率为$15.23 \%$，道路上停车的平均I类错误率为$32.62\%$。在这两种情况下，II类出错率均小于$20 \%$。贝叶斯更新可以递归地改善映射结果。本文为提高汽车传感器的停车检测功能提供了一种综合方法。
2016-11-16 cs.RO
Automotive-Radar-Based 50-cm Urban Positioning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在阳光充足和干燥的气候范围之外部署自动地面车辆（AGV）将需要基于无线电波而不是近可见光辐射的子车道级定位技术。与人类视觉一样，激光雷达和相机在低能见度条件下表现不佳。本文开发并演示了一种基于商用低成本汽车雷达的强大的50厘米精度的城市地面定位的新技术。该技术计算效率高，但获得了全局最优的平移和航向解，避免了城市雷达环境中重复模式引起的局部最小值。性能评估广泛和现实的城市数据集。与地面实况的比较表明，当加上稳定的短期里程计，该技术保持95百分位误差低于50厘米的水平位置和1度的航向。
2020-05-02 cs.RO eess.SP
Automated Automotive Radar Calibration With Intelligent Vehicles
Ulm University（乌尔姆大学）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
针对车载雷达在车辆外应用需精确标定且耗时的问题，提出利用自动驾驶车辆位置数据与过滤传感器数据结合，通过假设过滤和优化实现自动化地理参考外部标定，经实测验证可正确标定基础设施传感器。
2023-06-23 cs.CV cs.RO
RadarGen: Automotive Radar Point Cloud Generation from Cameras
Technion（技术学院）；MIT（麻省理工学院）；NVIDIA（英伟达）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
RadarGen通过扩散模型从摄像头图像生成逼真的雷达点云，结合BEV对齐的深度、语义和运动线索，提升雷达生成的物理合理性与多模态模拟能力。
2026-08-14 cs.AI cs.CV cs.LG
Radar-based Automotive Localization using Landmarks in a Multimodal Sensor Graph-based Approach
MAN Truck & Bus SE（曼恩卡车与客车公司）；Volkswagen AG（大众汽车公司）
目前，高度自动化的驾驶功能通常依赖于来自地图的先验知识，以便在城市等复杂场景中进行规划和预测。这使得地图相对本地化成为一项基本技能。在本文中，我们解决了汽车级雷达的定位问题，使用基于实时图形的SLAM方法。该系统使用地标和里程信息作为抽象层。这样一来，除了雷达之外，包括相机和激光雷达在内的各种不同的传感器形式都可以做出贡献。所有传感器都使用和维护一个单一的语义地标地图。我们使用C++实现了我们的方法，并在我们的测试车辆（包括汽车和卡车）上获得的数据上进行了彻底的测试。测试场景包括市中心和工业区，如集装箱码头。本文提出的实验表明，该方法是能够提供一个精确和稳定的结构化环境中的姿态，仅使用雷达数据。来自相机或激光雷达的额外传感器信息的融合进一步提高了性能，为自动化地图提供了所需的可靠语义信息。
2021-04-29 cs.CV cs.RO
ERASE-Net: Efficient Segmentation Networks for Automotive Radar Signals
New York University（纽约大学）；NXP Semiconductors（恩智浦半导体）
在用于辅助和自动驾驶系统的各种传感器中，汽车雷达被认为是一种强大且低成本的解决方案，即使在恶劣的天气或照明条件下也是如此。随着雷达技术和开源标注数据集的发展，雷达信号的语义分割变得非常有前途。然而，现有的方法要么计算昂贵，要么通过平均将原始3D雷达信号减少到2D平面来丢弃大量有价值的信息。在这项工作中，我们介绍了ERASE网络，一个有效的雷达分割网络分割的原始雷达信号的语义。我们的方法的核心是新的检测，然后段方法的原始雷达信号。该方法首先检测出目标的中心点，然后提取出一个紧凑的雷达信号表示，最后进行语义分割。我们表明，我们的方法可以实现优越的性能雷达语义分割任务相比，国家的最先进的（SOTA）技术。此外，我们的方法需要少20倍的计算资源。最后，我们表明，所提出的ERASE网络可以压缩40%，而不会显着损失性能，显着超过SOTA网络，这使其成为一个更有前途的候选人，为实际的汽车应用。
2023-02-24 cs.CV cs.LG cs.RO
A Cluster-Based Weighted Feature Similarity Moving Target Tracking Algorithm for Automotive FMCW Radar
研究了自动驾驶环境下基于毫米波雷达的目标跟踪算法。针对目标跟踪阶段的聚类匹配问题，提出了一种新的加权特征相似度算法，提高了强环境噪声和多干扰目标情况下相邻帧中同一目标的匹配率。针对自动驾驶场景，构建了一种利用运动参数提取运动目标轨迹并进行修正的方法，解决了车辆运动过程中的运动目标检测和轨迹修正问题。最后，通过自动驾驶环境下的一系列实验，验证了该方法的可行性。实验结果表明，该方法识别精度高，定位误差小.
2021-12-13 cs.RO eess.SP
DeepReflecs: Deep Learning for Automotive Object Classification with Radar Reflections
Robert Bosch GmbH（罗伯特·博世公司）
本文提出了一种适用于汽车应用的新型对象类型分类方法，该方法使用具有雷达反射的深度学习。该方法提供了诸如行人、骑自行车的人、汽车或非障碍物的对象类别信息。该方法通过对反射水平雷达数据使用轻量级深度学习方法，既强大又高效。它填补了手工特征的低性能方法与卷积神经网络的高性能方法之间的差距。该网络利用了雷达反射数据的特定特性：它处理任意长度的无序列表作为输入，并结合了局部和全局特征的提取。在真实数据的实验中，所提出的网络优于现有的手工制作或学习功能的方法。消融研究分析了拟议的全球上下文层的影响。
2020-10-19 cs.AI cs.CV cs.LG
UNIFY: Multi-Belief Bayesian Grid Framework based on Automotive Radar
Mercedes-Benz RD/ASF（梅赛德斯-奔驰研发/自动驾驶安全基础部门）；University of Pennsylvania（宾夕法尼亚大学）；Fraunhofer FKIE（弗劳恩霍夫通信、信息处理和人机工程学研究所）
网格地图广泛用于机器人和汽车应用中静态对象的表示。尽管如此，由于动态网格的复杂性增加，结合速度信息仍然被广泛研究，这涉及雷达传感器的速度测量模型和网格框架中的速度表示。在本文中，这两个问题都得到了解决：传感器模型和一个有效的网格框架，这是需要确保有效和强大的环境感知雷达。为此，我们引入了新的逆雷达传感器模型，涵盖了雷达传感器伪影，如测量模糊度，以集成汽车雷达传感器，以改善速度估计。此外，我们介绍了一个多信念贝叶斯网格地图框架，静态占用和速度估计与独立层。所提出的WARY框架利用基于网格单元的层来提供占用信息，并利用基于粒子的速度层来进行自主车辆环境中的运动状态估计。每一层都允许单独执行以及同时执行两层，以最佳适应自动驾驶应用中的不同环境。在覆盖城市和农村景观不同密度的具有挑战性的交通场景中，对大型现实世界雷达数据集的可扩展性和效率进行了测试和评估。
2021-04-24 cs.RO cs.SY eess.SY
Graph Theoretical Outlier Rejection for 4D Radar Registration in Feature-Poor Environments
xtonomy
本文提出基于图论的配对一致性最大化方法，用于改进4D雷达在特征贫乏环境中的配准鲁棒性，通过引入雷达适应的配对距离不变评分函数，有效降低配准误差。
2026-04-16 cs.RO
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
4D Radar-Inertial Odometry based on Gaussian Modeling and Multi-Hypothesis Scan Matching
Service Robotics Laboratory, Universidad Pablo de Olavide（服务机器人实验室， Pablo de Olavide 大学）
本文提出基于高斯分布的4D雷达场景表示方法，通过全局优化提升注册精度，并通过多假设优化避免局部最优，实验表明其在雷达-惯性里程计任务中表现优异。
2026-03-12 cs.RO
Self-Supervised Scene Flow Estimation with 4-D Automotive Radar
University of Edinburgh（爱丁堡大学）；SAIC Motor Technical Center（上汽集团技术中心）
场景流允许自动驾驶车辆推理多个独立物体的任意运动，这是长期移动自主的关键。虽然最近从LiDAR估计场景流已经取得了进展，但如何从4-D雷达估计场景流仍然是一个未知数-这是一种越来越受欢迎的汽车传感器，其对恶劣天气和照明条件的鲁棒性。与LiDAR点云相比，雷达数据非常稀疏，噪音更大，分辨率更低。雷达场景流的注释数据集也不存在，并且在现实世界中获取成本很高。这些因素共同提出了雷达场景流量估计作为一个具有挑战性的问题。本文的工作旨在解决上述挑战，并通过利用自监督学习从4-D雷达点云估计场景流。设计了一种鲁棒的场景流估计结构和三种新的损失估计方法来处理难处理的雷达数据。实验结果表明，该方法能够鲁棒地估计出雷达场景中的场景流，并有效地支持后续的运动分割任务。
2022-07-02 cs.CV cs.RO
STAR-VLM: Spatiotemporal Grounding Vision-Language Models for Motion and Velocity Estimation via Automotive Radar Supervision
University of Michigan（密歇根大学）
该研究提出STAR-VLM框架，利用汽车雷达监督提升时空视觉语言模型的运动推理与度量速度估计能力，在驾驶场景相关任务上实现了优于特定任务方法的最先进性能。
2026-08-04 cs.CV cs.RO
Radar detection rate comparison through a mobile robot platform at the ZalaZONE proving ground
Virtual Vehicle Research Center GmbH（虚拟车辆研究中心有限公司）；Automotive Proving Ground Zala Ltd.（扎拉汽车试验场有限公司）
由于自动驾驶车辆由高级驾驶辅助系统（ADAS）/自动驾驶（AD）功能控制，因此用于感知过程的选定传感器成为系统的关键组件。因此，确保准确数据的必要性至关重要。但是，数据的正确性并不是唯一需要确保的部分，必须检查不同技术的局限性，以准确地感知现实，以便根据当前情况做出无错误的决策。在这种情况下，本出版物通过我们自主开发的机器人移动平台SPIDER对两种不同的汽车雷达进行了比较，以及它们如何在ZalaZONE试验场进行的测试中检测不同类型的物体。
2020-10-22 cs.RO
Automotive mmWave Spinning Radar Place Recognition with Spatially Gated Feature-Correlation Representation
CSIRO Robotics, CSIRO（CSIRO机器人部门，澳大利亚联邦科学与工业研究组织）；Queensland University of Technology（昆士兰理工大学）
针对旋转雷达位置识别中航向变化导致极坐标循环移位及全局聚合丢失特征关系的问题，提出SGCA-Net，结合旋转鲁棒特征提取与空间门控相关聚合，在MulRan和HeRCULES数据集上优于现有方法。
2026-09-24 cs.AI cs.CV cs.RO
Landmark-based Vehicle Self-Localization Using Automotive Polarimetric Radars
Mercedes-Benz AG（梅赛德斯-奔驰集团股份公司）；Fraunhofer Institute for High Frequency Physics and Radar Techniques FHR（弗劳恩霍夫高频物理与雷达技术研究所 FHR）
针对自动驾驶厘米级位置、度级姿态的自定位需求，提出基于全极化雷达的路标检测自定位方法，仅靠雷达与因子图实现高效定位，实测轨迹误差0.12m、航向误差0.43°，极化信息可提升复杂场景性能。
2024-08-11 cs.RO eess.SP
Impact of Temporal Delay on Radar-Inertial Odometry
University of Zagreb（萨格勒布大学）；Faculty of Electrical Engineering and Computing（电气工程与计算机学院）；Calirad d.o.o.（Calirad有限责任公司）
提出一种集成在线时间延迟校准的RIO系统，通过因子图优化补偿雷达与IMU时间偏移，实验证明其显著降低定位误差。
2025-03-04 cs.RO
Automated Ground Truth Estimation For Automotive Radar Tracking Applications With Portable GNSS And IMU Devices
Daimler AG（戴姆勒股份公司）；University of Kassel（卡塞尔大学）
当使用真实世界的雷达数据时，跟踪应用的基线生成是一项困难的任务。数据稀疏性通常只允许一种间接的方式来估计原始轨迹，因为大多数对象的中心在数据中没有表示。本文提出了一种自动化的方式获取参考轨迹，通过使用一个高精度的手持全球导航卫星系统（GNSS）。嵌入式惯性测量单元（IMU）用于估计方向和运动行为。这篇文章有两个主要贡献。描述了一种用于将雷达数据与易受攻击的道路使用者（VRU）轨迹相关联的方法。它是评估如何准确的系统在不同的GNSS接收条件下执行，以及如何携带一个参考系统改变雷达测量。其次，该系统用于跟踪行人和骑自行车的人在许多测量周期，以生成对象为中心的占用网格地图。与传统方法相比，参考系统允许更精确地生成VRU的真实世界雷达数据分布。由此，实现了基于雷达的VRU跟踪的重要一步。
2019-06-03 cs.LG cs.RO eess.SP
RAMP-CNN: A Novel Neural Network for Enhanced Automotive Radar Object Recognition
University of Washington（华盛顿大学）；Silkwave Holdings（Silkwave控股公司）
毫米波雷达正越来越多地集成到商用车辆中，以支持新的高级驾驶辅助系统，实现强大而高性能的目标检测、定位和识别，这是新环境感知的关键组成部分。在本文中，我们提出了一种新的雷达多视角卷积神经网络（RAMP-CNN），该网络基于对距离-速度-角度（RVA）热图序列的进一步处理来提取目标的位置和类别。为了绕过4D卷积神经网络（NN）的复杂性，我们建议在我们的RAMP-CNN模型中组合几个低维NN模型，尽管如此，该模型仍以较低的复杂性接近性能上限。大量的实验表明，所提出的RAMP-CNN模型在所有测试场景下都比以前的工作实现了更好的平均召回率和平均准确率。此外，RAMP-CNN模型被验证在夜间工作，这使得低成本的雷达成为在恶劣条件下纯光学传感的潜在替代品。
2022-04-28 cs.AI cs.CV cs.LG
Do we need scan-matching in radar odometry?
Örebro University（厄勒布鲁大学）
本文比较了4D雷达里程计中多普勒/IMU直接积分、卡尔曼滤波融合与3D点云配准方法，发现仅用多普勒和IMU数据即可达到相似或更优精度，在1.8和4.5公里轨迹上平均位置误差低至0.3%，证明无需扫描匹配即可实现特征稀疏环境下的长距离6自由度自运动估计。
2023-10-27 cs.RO
VGC-RIO: A Tightly Integrated Radar-Inertial Odometry with Spatial Weighted Doppler Velocity and Local Geometric Constrained RCS Histograms
College of Intelligence Science and Technology, National University of Defense Technology（智能科学与技术学院，国防科技大学）；National Key Laboratory of Equipment State Sensing and Smart Support（装备状态感知与智能支撑国家重点实验室）
针对4D雷达点云稀疏噪声及配准困难，本文提出VGC-RIO，通过空间加权多普勒速度与融合局部几何和RCS特征的直方图描述子实现紧耦合雷达-惯性里程计，并在多数据集上验证其精度与鲁棒性。
2025-05-15 cs.RO
Exploiting Sparsity in Automotive Radar Object Detection Networks
Robert Bosch GmbH（罗伯特·博世有限公司）；Mannheim University of Applied Sciences（曼海姆应用科学大学）
本文面向自动驾驶雷达检测的高算力问题，提出结合 SKPP 与 DVPC 的稀疏卷积网络 SKPP-DPVCN，在 nuScenes 上显著提升 Car AP4.0 并降低 ASE。
2023-08-15 cs.AI cs.CV cs.LG
Advancements in Radar Odometry
Politecnico di Milano（米兰理工大学）
本文改进现有雷达里程计方法，构建含滤波、运动补偿、平滑、一对多配准与位姿细化的流程，并在 Oxford Radar RobotCar、MulRan 和 Boreas 上验证其精度与鲁棒性。
2024-04-05 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
Improved Orientation Estimation and Detection with Hybrid Object Detection Networks for Automotive Radar
Robert Bosch GmbH（罗伯特·博世有限公司）；Leibniz University Hannover（汉诺威莱布尼茨大学）
本文提出了新的混合架构，结合网格和点为基础的处理，以提高基于雷达的目标检测网络的检测性能和方向估计。基于点网格的检测模型在输入点云的鸟瞰图（BEV）投影上操作。这些方法遭受通过离散网格分辨率的详细信息的损失。这尤其适用于雷达目标检测，其中通常使用相对粗糙的网格分辨率来考虑雷达点云的稀疏性。相比之下，基于点的模型不受此问题的影响，因为它们处理点云而不进行离散化。然而，它们通常表现出比基于网格的方法更差的检测性能。我们表明，基于点的模型可以提取邻域功能，利用点的确切相对位置，网格渲染之前。这对于后续的基于网格的卷积检测主干具有显著的益处。在公共nuScenes数据集上的实验中，我们的混合架构在检测性能（汽车类的mAP比下一个最好的雷达提交高19.7%）和方向估计（相对方向改进11.5%）方面比以前文献中的网络有所改进。
2022-08-01 cs.AI cs.CV cs.LG
RaDiVe: Robust 4D Radar Odometry with Distance-Bounded NDT and Velocity-Discrepancy Point Uncertainty
SNU（首尔国立大学）
本文提出RaDiVe框架，通过距离约束NDT、速度差异点不确定性模型及SDF表面点提取构建鲁棒4D雷达里程计，在多数据集上优于现有基线且保持实时性
2026-07-31 cs.RO
Self-Supervised Velocity Estimation for Automotive Radar Object Detection Networks
Robert Bosch GmbH（罗伯特·博世有限公司）；Leibniz University Hannover（汉诺威莱布尼茨大学）
本文提出了一种方法来学习笛卡尔速度的目标使用目标检测网络上的汽车雷达数据。所提出的方法是自我监督的速度生成自己的训练信号。标签仅适用于单帧定向边界框（OBB）。不需要昂贵的笛卡尔速度或连续序列的标记。一般的想法是使用单帧OBB标签预训练一个没有速度的目标检测网络，然后利用网络对未标记数据的OBB预测进行速度训练。详细地，使用预测的速度将网络对未标记帧的OBB预测更新为标记帧的时间戳，并且使用未标记帧的更新的OBB与标记帧的OBB预测之间的距离来生成针对速度的自监督训练信号。检测网络结构扩展了一个模块来解释多次扫描的时间关系和一个模块来显式地表示雷达的径向速度测量。使用首先仅训练OBB检测，然后训练OBB检测和速度的两步方法。此外，预训练与雷达径向速度测量生成的伪标签引导本文的自监督方法。在公开的nuScenes数据集上的实验表明，该方法几乎达到了完全监督训练的速度估计性能，但不需要昂贵的速度标签。此外，我们优于仅使用径向速度测量作为标签的基线方法。
2022-07-07 cs.AI cs.CV cs.LG
A Multi-Stage Clustering Framework for Automotive Radar Data
Daimler AG（戴姆勒股份公司）；University of Kassel（卡塞尔大学）
雷达传感器提供了一种独特的方法来执行自动驾驶的环境感知任务。特别是它们在恶劣天气条件下表现良好的能力往往使它们优于其他传感器，如相机或激光雷达。然而，通常使用的检测数据水平的高稀疏性和低维度是后续信号处理的主要挑战。因此，数据点经常被合并，以形成更大的实体，从中可以收集更多的信息。合并过程通常以聚类算法的形式实现。本文介绍了一种新的方法，首先过滤出静态背景数据，然后再应用两阶段聚类方法。两阶段聚类遵循与数据关联本身相同的范例：首先，在低维参数空间中聚类应该属于一起的内容，然后，从新创建的聚类中提取额外的特征，以便执行最终的聚类步骤。参数针对过滤和两个聚类步骤进行了优化。所有技术都单独和整体进行评估，以证明其有效性。最后的结果表明，前两种方法的明显好处，也在特定情况下的集群合并过程。
2019-07-08 cs.LG cs.RO eess.IV
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
