K-Radar:面向多种天气条件下自动驾驶的 4D 雷达目标检测

与使用可见光波段(384$\sim$769 THz)的 RGB 相机和使用红外波段(361$\sim$331 THz)的 Lidar 不同,Radar 使用相对较长波长的无线电波段(77$\sim$81 GHz),从而在恶劣天气下获得稳健的测量。遗憾的是,与现有相机和 Lidar 数据集相比,现有 Radar 数据集仅包含相对较少的样本。这可能阻碍基于 Radar 感知的复杂数据驱动深度学习技术的发展。此外,大多数现有 Radar 数据集仅提供沿多普勒、距离和方位角维度包含功率测量的 3D Radar 张量(3DRT)数据。由于没有仰角信息,从 3DRT 估计物体的 3D 边界框具有挑战性。在本文中,我们介绍 KAIST-Radar (K-Radar),一个新颖的大规模目标检测数据集与基准,其包含 35K 帧的 4D Radar 张量(4DRT)数据,具有沿多普勒、距离、方位角和仰角维度的功率测量,以及道路上物体精心标注的 3D 边界框标签。K-Radar 包含具有挑战性的驾驶条件,例如各种道路结构(城市、郊区道路、小巷和高速公路)上的恶劣天气(雾、雨和雪)。除 4DRT 外,我们还提供来自精心校准的高分辨率 Lidar、环绕立体相机和 RTK-GPS 的辅助测量。我们还提供基于 4DRT 的目标检测基线神经网络(基线 NNs),并表明高度信息对 3D 目标检测至关重要。并通过将基线 NN 与结构类似的基于 Lidar 的神经网络比较,我们证明 4D Radar 是恶劣天气条件下更稳健的传感器。所有代码可在 https://github.com/kaist-avelab/k-radar 获取。