【高级雷达感知与学习】 第六章 表示学习与自监督方法（关键研究方向）

一、为什么自监督在雷达感知中至关重要

1. 稀疏标注问题

雷达感知面临的核心挑战是标注成本高。与摄像头数据不同，雷达数据的标注需要专业雷达知识，且需要在不同天气条件下进行人工标注，这导致：

• 标注成本是摄像头数据的3-5倍
• 标注数据集规模有限（RadarScenes仅有7,500多个标注场景）
• 大规模数据标注难以实现

2. 跨天气稳健性

雷达在恶劣天气条件下（雾、雨、雪、沙尘）具有显著优势，而摄像头和激光雷达在这些条件下性能急剧下降。自监督学习能够：

• 利用大量未标注的雷达数据（包括恶劣天气下的数据）
• 使模型在各种天气条件下保持稳定性能
• 避免了在特定天气条件下标注数据的困难

3. 数据效率

研究表明，自监督学习可以将雷达目标检测的mAP指标提高5.8%（如CVPR 2024论文《Bootstrapping Autonomous Driving Radars with Self-Supervised Learning》所示），这在自动驾驶领域具有重大意义。

二、关键自监督学习方法

1. 对比学习（Contrastive Learning）

对比学习是自监督学习的核心方法，其核心思想是最大化正样本对之间的相似性，最小化负样本对之间的相似性。

常见对比学习框架<