RaUF：学习雷达的空间不确定性场
计算机视觉与模式识别
2026-03-03 v1
摘要
毫米波雷达在恶劣天气中具有独特优势，但受限于空间保真度低、强烈方位二义性和杂波引起的虚假返回。现有方法主要通过粗到细的跨模态监督来提高空间感知效果，却常常忽视特征到标签之间的模糊映射，这可能导致几何推断不严谨，并为下游感知任务带来根本性挑战。本文提出 RaUF（Radar Uncertainty Field），一种空间不确定性场学习框架，通过其物理建模的各向异性特性来建模雷达测量。为解决特征到标签映射的冲突，我们设计了各向异概率模型以学习细粒度不确定性。为进一步提高可靠性，我们提出双向域注意力机制，利用空间结构与多普勒一致性之间的相互补充，有效抑制了虚假或多径引起的反射。广泛的实验在公开基准和真实数据集上表明，RaUF 能提供经过良好校准的高置信度空间检测。此外，下游案例研究进一步验证了 RaUF 在恶劣真实驾驶场景下的增强可靠性和可扩展性。
引用
@article{arxiv.2603.01026,
title = {RaUF: Learning the Spatial Uncertainty Field of Radar},
author = {Shengpeng Wang and Kuangyu Wang and Wei Wang},
journal= {arXiv preprint arXiv:2603.01026},
year = {2026}
}