RadarOcc: Robust 3D Occupancy Prediction with 4D Imaging Radar

3D基于占据的感知流程通过捕捉详细的场景描述并展示了在各种物体类别和形状上的强大泛化能力，显著推进了自动驾驶技术。目前的方法主要依赖于激光雷达或相机输入进行3D占据预测。这些方法容易受到恶劣天气条件的影响，限制了自动驾驶汽车的全天候部署。为了提高感知的稳健性，我们利用了汽车雷达的最新进展，并引入了一种新颖的方法，利用4D成像雷达传感器进行3D占据预测。我们的方法RadarOcc通过直接处理4D雷达张量来绕过稀疏雷达点云的限制，从而保留了必要的场景细节。RadarOcc通过采用多普勒频率描述符、旁瓣感知空间稀疏化和范围自注意机制，创新地解决了与庞大且嘈杂的4D雷达数据相关的挑战。为了最小化与直接坐标转换相关的插值误差，我们还设计了基于球面的特征编码，随后进行球面到笛卡尔特征聚合。我们在公共K-Radar数据集上对不同模态的各种基线方法进行了基准测试。结果表明，RadarOcc在基于雷达的3D占据预测方面具有最先进的性能，与基于激光雷达或相机的方法相比，即使在恶劣天气条件下，也表现出有希望的结果。此外，我们还通过消融研究展示了4D雷达的优越性能，并探讨了关键流程组件的影响。

论文旨在通过利用4D成像雷达传感器进行3D占用预测，从而提高自动驾驶的感知鲁棒性，解决当前主要依赖于LiDAR或相机输入的方法在恶劣天气条件下的限制性问题。

论文的关键思路是通过直接处理4D雷达张量来解决稀疏雷达点云的局限性，并使用多普勒频率描述符、旁瓣感知空间稀疏化和范围自注意机制等方法来应对体积庞大和嘈杂的4D雷达数据的挑战。

论文使用K-Radar数据集对各种基线方法进行了基准测试，证明了RadarOcc在基于雷达的3D占用预测方面具有最先进的性能，并且即使与基于LiDAR或相机的方法相比，也具有良好的结果。此外，论文还提供了4D雷达在恶劣天气条件下卓越性能的定性证据，并通过消融研究探讨了关键流程组件的影响。

最近的相关研究包括使用深度学习进行3D物体检测和分割的方法，例如PointNet和VoxelNet，以及基于雷达的3D物体检测和跟踪的方法，例如SECOND和PointPillars。