RADIal数据集应用解析

        RADIal数据集包含4D雷达原始数据和标注数据，论文可参考这篇博文

论文解读--Raw High-Definition Radar for Multi-Task Learning-优快云博客，这里主要是记录数据集的应用。

1 数据集构成

        数据集可从google云盘下载，地址为RaDIaL - Google 云端硬盘，有如下文件。

        其中raw_sequences和Ready_to_use文件夹下分别是ADC原始数据和做完2D-FFT的数据，使用不同的解析脚本读取并显示数据。

        raw_sequences文件夹下是各个时间序列的数据，labels是标注数据。

        每组数据中包含视频数据、can数据、gps数据等。

        Ready_to_use文件夹下是做完2D-FFT的数据，可以直接调用使用。

2 Ready_to_use数据解析显示

        在RADIal的工程loader中可以直接调用该文件夹下的数据，使用如下图的juypter脚本运行代码。

        这里第2段代码是选择根目录，建议使用绝对路径，相对路径容易出现问题。

        第3段代码是随机选择一组数据显示，调用_getitem函数读取fft数据，源代码61行有后缀arr_0，python不能识别，将其删除后可正常读取数据。

        后续调用显示图片、激光点云、毫米波雷达点云如下：

        读取FFT频谱的结果如下：

3 raw_sequences数据解析显示

        原始数据显示使用SignalProcessing文件夹下的脚本，这里需要导入DBReader目标，否则会出现找不到对应函数库的问题。

        同样的，数据的根目录使用绝对路径：

        从读取的数据中选择图片，显示如下：

        这里的图片显示比第2节的清晰，因为这里是原始数据。

        第4段代码是调用校准参数，这里仍然建议用绝对路径，第5段代码是调用信号处理算法获取点云，是核心处理代码，代码在rpl.py文件中。

        由于本机没有GPU，未安装cuda，所以将这块代码删除，使用CPU进行处理。同时不能成功调用mkl_fft，故换成了numpy的fft库，可以实现平替。

        处理后的点云结果为：

        其中RV和RA图如下，RA图使用CPU计算时间较长。

         使用example_laser_projection.ipynb可以调用激光点云投影到图片上，用于验证结果。