雷达

本文介绍了DenserRadar，这是一个新颖的4D毫米波雷达点云检测网络，以及一个用于生成密集真值的创新流程。

LidaRF提出了几个见解，允许更好地利用激光雷达数据来改善街景中NeRF的质量。

本文提出了激光雷达扩散模型（LiDMs），这是一个用于激光雷达场景生成的通用条件化框架。

相机和毫米波雷达融合的方案，相较于纯LiDAR或者是LiDAR和相机融合的方案，具有低成本的优势，贴近当前自动驾驶汽车的发展。

本文提出了 LidarDM，这是一个新颖的基于布局条件的隐扩散模型(latent diffusion models) ，用于生成逼真的激光雷达点云。本文的方法将问题框定为一个联合的 4D 世界创建和感知数据生成任务，并开发了一个新颖的隐扩散模型(latent diffusion models) 来创建 3D 场景。

RadarBEVNet是本论文提出的用于有效雷达BEV（鸟瞰图）特征提取的网络架构，主要包括两个核心组成部分：双流雷达主干网络和RCS（雷达截面积）感知的BEV编码器。

由于激光雷达传感器可以更加准确的获取待检测物体的几何和位置信息，所以基于点云的感知算法模型在快速的迭代和发展当中。

本论文详细介绍了基于毫米波雷达和视觉融合的障碍物检测方法，从任务介绍、评估标准和数据集三方面展开。

雷达测量过程的复杂伪影需要适当的不确定性估计 - 以确保这种有前景的传感器模式的安全和可靠应用。在这项工作中，我们提出了一个多会话地图管理系统，该系统基于嵌入空间中学到的方差属性构建“最佳”地图以进行进一步的定位。

本文系统性的对比了POT和EOT框架在基于4D成像雷达点云的在线3D MOT任务中的性能。

本次我们将着重说说感知层，因为感知作为智能驾驶的先决条件，其探测精度、广度与速度直接影响自动驾驶的行驶安全。

本文证明了本文的方法数据高效，并且减少了对带注释数据的需求。通过预训练，当只使用40%的带注释的数据时，本文的性能优于全监督的数据。

现阶段固态激光雷达的不足在于功率密度低、探测距离短，还不能作为主激光雷达大规模量产使用，但固态激光雷达的近距补盲能可以与半固态激光雷达的远距感知相组合，打造出完整的车规级激光雷达解决方案。

相比摄像头而言，4D毫米波雷达有更多的天线数，更高的角度分辨率、速度分辨率和距离分辨率，可以在没有激光雷达参与的情况下更有效地解析目标的轮廓、类别、行为。

激光雷达(LiDAR)是当前正在改变世界的传感器，它广泛应用于自动驾驶汽车、无人机、自主机器人、火箭等。