RadarOcc：基于4D成像雷达的鲁棒3D占用预测

3D 占用式感知管线显著�推进了自动驾驶技术，通过捕获详细的场景描述并在 various object categories and shapes 之间 demonstrating strong generalizability。当前方法主要依赖激光雷达或摄像头输入进行3D占用预测。这些方法易受恶劣天气条件影响，限制了自动驾驶汽车的全天候部署。为提高感知鲁棒性，我们利用近期汽车雷达的进展，引入一种新方法，该方法利用4D成像雷达传感器进行3D占用预测。我们的 method RadarOcc 规避了稀疏雷达点云的局限性，直接处理4D雷达张量，从而保留了关键场景细节。RadarOcc 创新性地解决了大量噪声4D雷达数据带来的挑战，采用 Doppler 频束描述符、侧瓣感知稀疏化和范围内自注意力机制。为最小化直接坐标变换导致的插值误差，我们还设计了基于球坐标的特征编码，随后进行球坐标到笛卡尔坐标的特征聚合。在公开 K-Radar 数据集上对 various baseline 方法进行基准测试。结果表明 RadarOcc 在雷达基3D占用预测中实现了业界最佳性能，并在与激光雷达或摄像头方法进行比较时也显示出有前景的性能。此外，我们还对4D雷达在恶劣天气条件下的优越性能提供了定性证据，并通过消融研究探讨了关键管线组件的影响。