基于激光雷达监督的雷达占用预测：兼顾远距离感知与穿透能力

雷达通过在不同天气条件下实现远距离感知，在自动驾驶领域展现出巨大潜力。但由于雷达噪声的存在，雷达也是一种特别具有挑战性的感知模态。近期研究利用激光雷达标签监督，在雷达图像的自由空间与占用空间分类方面取得了巨大进展。然而，仍存在若干未解决的问题。首先，结果的感知距离受限于激光雷达的感知范围。其次，由于两种传感器之间存在物理感知差异，激光雷达监督会导致结果性能下降。例如，某些对激光雷达可见的物体对雷达不可见，而某些在激光雷达扫描中被遮挡的物体因雷达的穿透能力在雷达图像中可见。这些感知差异分别导致误报和穿透能力退化。本文提出训练数据预处理和极坐标滑动窗口推理来解决这些问题。数据预处理旨在减少激光雷达扫描中雷达不可见测量值造成的影响。极坐标滑动窗口推理旨在通过将近距离训练的网络应用于远距离区域，解决感知范围受限的问题。我们提出使用极坐标表示而非常用的笛卡尔表示，以减少远距离与近距离数据之间的形状差异。我们发现，在极坐标空间中将近距离训练的网络扩展到远距离区域推理，其交并比（IoU）比在笛卡尔空间高 4.2 倍。此外，极坐标滑动窗口推理通过改变推理区域的视角，可使某些被遮挡的测量值对于预训练网络而言显得未被遮挡，从而保持雷达的穿透能力。