20、自动驾驶中的 3D 目标检测技术综述

自动驾驶中的 3D 目标检测技术综述

1. RADAR 数据的目标检测

在部分视野或遮挡条件下，深度学习模型已成为强大的特征提取器和分类器用于感知任务。对于基于 RADAR 数据的目标检测，有以下几种方法：
- 光谱图像法 ：先从光谱图像生成提案，再用 CNN 模型分类，还可借助 R - CNN 框架或单阶段检测框架进一步改进。
- 点云输入法 ：
- Scheiner 等人将输入的 RADAR 点云用 DBSCAN 分成多个簇，再用 LSTM 分类。
- Schumann 等人分别用 CNN 和记忆感知的 PointNets 从静态和动态 RADAR 点中提取特征。
- Danzer 等人从 RADAR 点云估计旋转的 2D 边界框，采用 PointNet 架构提取特征和回归 2D 边界框。
- 类似 LiDAR 目标检测，RADAR 点云可量化为 2D 图像，用 CNN 提取特征和检测目标。有研究提出基于 RADAR 的检测基准，比较了 YOLOv3、PointPillars、PointNet++ 及其变体，结果显示 YOLOv3 和 PointNet++ 性能优于 PointPillars 变体。

与基于相机和 LiDAR 的目标检测相比，基于 RADAR 的目标检测因数据观测稀疏而研究不足。

2. 多传感器融合方法

多传感器融合是 3D 目标检测的热门研究方向，它能在面对破坏、故障、不利条件和盲点时提供互补和冗余信息。但不同传感器提供不同的数据表示，需要解决如何融合多传感器数据用于感知的问题。以下是几种融合方法：