拉斯: 4D毫米波雷达点云语义细分与交叉模式的知识蒸
Chenwei Zhang1, Zhiyu Xiang1,2, Ruoyu Xu1
1College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou 310027, China.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
本研究探讨4D毫米波雷达用于自动驾驶中的语义细分. 拟议的RaSS框架,使用交叉模式蒸和多普勒补偿,显著改善点级感知,即使有稀疏的雷达数据.
科学领域:
- 机器人和人工智能 机器人和人工智能
- 自主系统的传感器融合
- 环境感知技术 环境感知技术
背景情况:
- 自动驾驶依赖于像LiDAR这样的传感器和摄像头来感知环境.
- 4D毫米波雷达在恶劣天气下提供强大的性能,捕获3D点云和多普勒速度.
- 雷达固有的数据稀疏性和噪声限制了其在语义细分等点级任务中的应用.
研究的目的:
- 调查使用4D毫米波雷达用于语义细分任务的可行性.
- 开发一种基于雷达的语义细分的新框架.
- 为了应对稀疏和杂的雷达数据所带来的挑战.
主要方法:
- 介绍ZJUSSet数据集,为雷达和LiDAR数据提供分点类别标签.
- 关于RaSS的建议,这是一个设计用于雷达语义细分的跨模式蒸框架.
- 开发一种自适应多普勒补偿模块,以提高细分精度.
主要成果:
- 在ZJUSSet和VoD数据集上,RaSS模型在现有基线和竞争对手上显示出显著的性能改进.
- 该框架有效地处理稀疏和杂的4D雷达数据,用于语义细分.
- 验证4D雷达在详细环境感知任务中的潜力.
结论:
- 4D毫米波雷达是一种可行的传感器,用于自动驾驶中的语义细分,克服了以前的局限性.
- RaSS框架和自适应多普勒补偿模块代表了雷达感知方面的重大进步.
- 未来的工作将包括发布代码和数据集,以促进该领域的进一步研究.
