PolarNet: Accelerated Deep Open Space Segmentation Using Automotive Radar in Polar Domain
School of Electrical Engineering and Computer Sciences, University of Ottawa（渥太华大学电气工程与计算机科学学院）；Sensorcortek Inc（森索科泰克公司）；Valeo（法雷奥公司）
随着深度学习模型架构的快速发展，相机和激光雷达处理已经发生了革命性的变化。汽车雷达是自动驾驶辅助和自动驾驶系统的关键要素之一。雷达仍然依赖于传统的信号处理技术，不像基于相机和激光雷达的方法。我们相信这是实现最强大的感知系统所缺少的一环。识别可驾驶空间和已占用空间是任何自主决策任务的第一步。环境的占领栅格地图表示通常用于此目的。在本文中，我们提出了PolarNet，这是一种深度神经模型，用于处理极域中的雷达信息，以进行开放空间分割。我们探索各种输入输出表示。我们的实验表明，PolarNet是处理雷达数据的有效方法，在保持紧凑尺寸的同时，实现了最先进的性能和处理速度。
2021-03-04 cs.CV
Simulating Automotive Radar with Lidar and Camera Inputs
Institute of Robotics and Automatic Information System, Nankai University（机器人与自动信息系统研究所，南开大学）；Tianjin Key Laboratory of Intelligent Robotics（天津智能机器人重点实验室）；TBI center, Nankai University（南开大学TBI中心）；Department of Robotics, Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)（人工智能 Mohamed Bin Zayed 大学机器人系）
研究利用相机图像、激光雷达点云和自身速度模拟汽车雷达信号的方法，基于DIS-Net和RSS-Net两个神经网络，经实验验证能生成高保真信号，用其增强数据训练的目标检测网络性能更优，助力基于雷达的自动驾驶研发。
2026-07-17 cs.CV
CARRADA Dataset: Camera and Automotive Radar with Range-Angle-Doppler Annotations
Télécom Paris, Institut Polytechnique de Paris（巴黎理工学院电信巴黎）
高质量的感知对于自动驾驶（AD）系统至关重要。为了达到这些系统所需的精度和鲁棒性，必须组合几种类型的传感器。目前，大多数相机和激光扫描仪（激光雷达）被部署来构建车辆周围世界的表示。虽然雷达传感器已在汽车行业中使用了很长时间，但尽管它们具有吸引人的特性（特别是它们能够测量障碍物的相对速度并即使在恶劣天气条件下也能工作），但它们在AD中的使用仍然不足。在很大程度上，这种情况是由于相对缺乏具有原始和注释的真实雷达信号的汽车数据集。在这项工作中，我们介绍了CARRADA，一个数据集的同步相机和雷达记录与距离角多普勒注释。我们还提出了一个半自动的注释方法，这是用来注释的数据集，和雷达语义分割基线，我们评估的几个指标。我们的代码和数据集都可以在线获得。
2021-05-26 cs.CV
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
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
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
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
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
Exploiting Temporal Relations on Radar Perception for Autonomous Driving
Brandeis University（布兰迪斯大学）；Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
我们考虑使用汽车雷达传感器的自动驾驶中的物体识别问题。与激光雷达传感器相比，雷达在全天候条件下具有成本效益和鲁棒性，可用于自动驾驶的感知。然而，雷达信号在识别周围物体时受到低角分辨率和精度的影响。为了提高汽车雷达的能力，在这项工作中，我们利用时间信息连续自我为中心的鸟瞰雷达图像帧的雷达目标识别。我们利用对象存在和属性（大小，方向等）的一致性，并提出了一个时间关系层，以显式地模拟连续雷达图像内的对象之间的关系。在目标检测和多目标跟踪中，我们显示了我们的方法相比，几个基线方法的优越性。
2022-04-03 cs.CV
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
On Learning Spatial Structure from Pre-Beamforming Per-Antenna Range-Doppler Radar Measurements
University of the Bundeswehr Munich（慕尼黑联邦国防军大学）
本文探讨了能否直接从预波束成形的每根天线范围-多普勒测量中学习有意义的空间结构，通过可见性感知的跨模态监督学习方法，评估了不同发射配置对几何恢复能力的影响。
2026-10-02 cs.CV cs.LG cs.RO
NVRadarNet: Real-Time Radar Obstacle and Free Space Detection for Autonomous Driving
NVIDIA（英伟达）
检测障碍物对于安全高效的自动驾驶至关重要。为此，我们提出了NVRadarNet，这是一种深度神经网络（DNN），可以使用汽车雷达传感器检测动态障碍物和可驾驶的自由空间。该网络利用来自多个雷达传感器的时间累积数据来检测动态障碍物，并在自上而下的鸟瞰图（BEV）中计算它们的方向。该网络还回归可行驶的自由空间，以检测未分类的障碍物。我们的DNN是同类产品中第一个利用稀疏雷达信号，以便仅从雷达数据中实时的执行障碍物和自由空间检测。该网络已成功用于在真实的自动驾驶场景中感知我们的自动驾驶汽车。该网络在嵌入式GPU上的运行速度比实时的更快，并且在地理区域之间表现出良好的泛化能力。
2023-03-01 cs.CV cs.LG cs.RO
TJ4DRadSet: A 4D Radar Dataset for Autonomous Driving
下一代高分辨率汽车雷达（4D雷达）可以提供额外的高程测量和更密集的点云，这在自动驾驶的3D传感方面具有巨大的潜力。在本文中，我们介绍了一个名为TJ4DRadSet的数据集与4D雷达点的自动驾驶研究。该数据集是在各种驾驶场景中收集的，共有44个连续序列中的7757个同步帧，这些序列都用3D边界框和轨迹ID进行了很好的注释。我们为我们的数据集提供了一个基于4D雷达的3D目标检测基线，以证明4D雷达点云的深度学习方法的有效性。该数据集可通过以下链接访问：https://github.com/TJRadarLab/TJ4DRadSet。
2022-07-27 cs.AI cs.CV
Lidar for Autonomous Driving: The principles, challenges, and trends for automotive lidar and perception systems
RENAULT S.A.S（雷诺）
自动驾驶汽车依靠其感知系统来获取有关其周围环境的信息。有必要检测其他车辆、行人和其他相关实体的存在。安全问题和对准确估计的需求导致了光探测和测距（LiDAR）系统的引入，以补充基于相机或雷达的感知系统。本文介绍了最先进的汽车LiDAR技术以及与这些技术一起使用的感知算法。首先介绍了激光雷达系统的主要组成部分，从激光发射器到光束扫描机构。介绍和比较了各种解决方案的优缺点和现状。然后，从自动驾驶汽车的角度详细介绍了用于LiDAR数据处理的特定感知管道。模型驱动的方法和新兴的深度学习解决方案进行了审查。最后，我们概述了汽车LiDAR和感知系统的局限性、挑战和趋势。
2020-04-17 cs.RO
Motion Classification and Height Estimation of Pedestrians Using Sparse Radar Data
Ulm University（乌尔姆大学）；Daimler AG（戴姆勒公司）
对周围车辆环境的全面了解对于驾驶员辅助系统和高度自动驾驶非常重要。融合相机、雷达和激光雷达等多种传感器类型的结果对于提高鲁棒性至关重要。过去，已经针对许多传感器类型分析了汽车、自行车或行人等物体的检测和分类。除此之外，细化这些类别并区分不同的行人类型或活动也很有帮助。这项任务通常是在相机数据上执行的，尽管最近的发展是基于雷达光谱图。然而，对于大多数汽车雷达系统，只能获得雷达目标而不是原始频谱图。这项工作表明，它是可能的，以估计身高步行行人使用二维雷达目标。此外，不同的行人运动类型进行分类。
2021-03-03 cs.CV
A Normal Distribution Transform-Based Radar Odometry Designed For Scanning and Automotive Radars
National Chiao Tung University（国立交通大学）；Industrial Technology Research Institute（工业技术研究院）
现有的雷达传感器可分为汽车雷达和扫描雷达。虽然大多数雷达测距（RO）方法仅针对特定类型的雷达而设计，但我们的RO方法适用于扫描雷达和汽车雷达。我们的RO是简单而有效的，其中管道包括阈值，概率子图建设，和基于NDT的雷达扫描匹配。建议的RO已经在两个公共雷达数据集上进行了测试：Oxford Radar RobotCar数据集和nuScenes数据集，分别提供扫描和汽车雷达数据。结果表明，我们的方法超过了最先进的RO使用汽车或扫描雷达，分别减少51%和30%的平移误差，旋转误差分别减少17%和29%。此外，我们表明，我们的RO达到厘米级的精度激光雷达测距，汽车和扫描RO具有类似的精度。
2023-03-30 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
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
AutoPlace: Robust Place Recognition with Single-chip Automotive Radar
University of Liverpool（利物浦大学）；University of Oxford（牛津大学）；University of Edinburgh（爱丁堡大学）
本文提出了一种新的位置识别方法，自主车辆使用低成本，单芯片汽车雷达。为了提高识别鲁棒性并充分利用这种新兴汽车雷达提供的丰富信息，我们的方法遵循一个原则性的管道，包括（1）从即时多普勒测量中动态去除点，（2）在雷达点云上嵌入时空特征，以及（3）从雷达截面测量中检索候选人。在公共nuScenes数据集上的大量实验结果表明，现有的视觉/LiDAR/旋转雷达位置识别方法不太适合单芯片汽车雷达。相比之下，我们针对汽车雷达的专用方法通过一套全面的指标始终优于各种基线方法，从而在现实系统中使用时提供了对功效的见解。
2022-02-17 cs.RO
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
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 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
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
Continuous-time Radar-inertial Odometry for Automotive Radars
DSO National Laboratories（DSO国家实验室）；National University of Singapore（新加坡国立大学）
我们提出了一种雷达惯性里程计的方法，该方法使用连续时间框架来融合来自多个汽车雷达和惯性测量单元（IMU）的测量。与相机和激光雷达传感器不同，恶劣的天气条件不会对雷达传感器的工作性能产生重大影响。雷达的鲁棒性，在这种条件下，越来越普遍的乘用车上的雷达促使我们看看使用雷达的自我运动估计。一个连续时间的轨迹表示不仅作为一个框架，使异构和异步多传感器融合，而且，以促进有效的优化，能够计算姿势及其衍生物在封闭的形式，并在任何给定的时间沿轨迹。我们比较我们的连续时间的估计，从离散时间的雷达惯性里程计的方法，并表明我们的连续时间的方法优于离散时间的方法。据我们所知，这是第一次连续时间框架已被应用于雷达惯性测距。
2022-01-07 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
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
Deep Stochastic Radar Models
Stanford University（斯坦福大学）；Technische Universität Darmstadt（达姆施塔特工业大学）
高级驾驶员辅助系统的精确仿真和验证需要精确的传感器模型。汽车雷达建模因多径反射、干扰、反射表面、离散单元和衰减等效应而变得复杂。基于物理原理的详细雷达模拟存在，但对于现实的汽车场景来说，计算上是困难的。本文描述了一种基于深度学习构建随机汽车雷达模型的方法，该方法具有与真实世界数据相关联的对抗性损失。由此产生的模型表现出基本的雷达效应，同时保持实时能力。
2017-06-16 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
A Credible and Robust approach to Ego-Motion Estimation using an Automotive Radar
Technische Universität Chemnitz（开姆尼茨工业大学）
一致的运动估计是所有移动自主系统的基础。虽然这听起来像是一项简单的任务，但实际情况往往并非如此，因为不断变化的环境条件会影响从视觉、激光雷达或车轮本身获得的里程。雷达传感器不受具有挑战性的照明和天气条件的影响，是一个明显的替代品。通常，汽车雷达返回稀疏的点云，代表周围环境。由于不稳定的和幻象的测量，利用这些信息进行运动估计是具有挑战性的，这导致了高比率的离群值。我们引入了一个可靠的和强大的概率方法来估计自我运动的基础上，这些具有挑战性的雷达测量，旨在用于松耦合传感器融合框架。与现有的解决方案相比，在流行的nuScenes数据集和其他数据集上进行评估，我们表明我们提出的算法更可靠，同时不依赖于显式对应计算。
2022-04-19 cs.RO
DC-Loc: Accurate Automotive Radar Based Metric Localization with Explicit Doppler Compensation
Huazhong University of Science and Technology（华中科技大学）；Wuhan University of Technology（武汉理工大学）；University of Edinburgh（爱丁堡大学）
汽车毫米波雷达由于其小尺寸、低成本以及与光学传感器（例如，相机、激光雷达等）在恶劣天气下，例如，雾，雨，雪。另一方面，它的大波长也对感知环境提出了根本性的挑战。最近的进展已经突破了其固有的缺点，即，多径反射和毫米波雷达点云的稀疏性。然而，雷达信号的调频连续波调制使其对车辆的移动性比光学传感器更敏感。这项工作的重点是频移的问题，即，多普勒效应使雷达测距测量失真，并且其对度量定位的连锁效应。我们提出了一种新的基于雷达的度量定位框架，称为DC-Loc，它可以通过恢复多普勒失真获得更准确的位置估计。具体来说，我们首先设计了一种新的算法，明确地补偿雷达扫描的多普勒失真，然后对多普勒补偿点云的测量不确定性进行建模，以进一步优化度量定位。使用公共nuScenes数据集和CARLA模拟器进行的大量实验表明，我们的方法在平移和旋转误差方面分别比最先进的方法提高了25.2%和5.6%。
2022-02-22 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
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
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
Evaluation of Robust Point Set Registration Applied to Automotive Doppler Radar
Faculty of Computer Science（计算机科学学院）；Faculty of Electrical Engineering and Information Technology（电气工程与信息技术学院）；Chair of Automation Technology（自动化技术教研室）
点集配准是在两个点集之间找到最佳对齐的过程，并且它是不同领域中的常见任务，特别是在汽车和移动机器人领域。在文献中提出了许多方法，其中迭代最近点ICP是这方面的一种众所周知的方法，其在两个点集之间建立显式对应以实现配准任务。然而，这项工作有兴趣实现注册，而不建立任何显式的对应关系，两个点集之间，以下的概率框架。点集配准中最关键的任务是如何详细描述代价函数，该代价函数度量两个点集之间的距离。概率框架包括两种可能的方法来构建成本函数：求和和似然。这项工作的主要重点是分析和比较这两种方法的行为。因此，除了估计误差之外，还使用1D合成场景来逐步构建成本函数。最后，这项工作使用两个数据集进行评估：一个二维合成数据集和一个真实的数据集。评估过程中，比较和分析的估计误差和估计的不确定性。因此，在评估过程中使用了两种不同的方法：归一化估计误差平方NEES和非可信性指标NCI。一个77 GHz的汽车多普勒雷达提供了真实的数据集，并在真正的评估，我们评估的自我运动估计的机器人作为注册的应用程序。
2022-04-20 cs.RO
