Radar Fields: Frequency-Space Neural Scene Representations for FMCW Radar

神经场已广泛研究作为场景表示，用于重现和生成各种户外场景，包括自主车辆和机器人必须处理的场景。虽然针对RGB和LiDAR数据的成功方法存在，但对于雷达作为一种感知模式的神经重建方法尚未得到广泛探索。雷达传感器在毫米波长下工作，对雾和雨中的散射具有鲁棒性，因此为主动和被动光学感测技术提供了补充模式。此外，现有的雷达传感器成本高效，广泛部署在户外运行的机器人和车辆中。我们介绍了雷达场 - 一种专为主动雷达成像设计的神经场景重建方法。我们的方法将显式的、物理学知识的传感器模型与隐式的神经几何和反射模型相结合，以直接合成原始雷达测量并提取场景占用。所提出的方法不依赖于体积渲染。相反，我们在傅里叶频率空间中学习场，以原始雷达数据为监督。我们验证了该方法在各种户外场景中的有效性，包括具有密集车辆和基础设施的城市场景，以及在恶劣天气情况下，毫米波长感测特别有利的情况。

本文旨在解决使用雷达作为感知模态的神经重建方法相对较少的问题，并提供一种基于雷达成像的场景重建方法。

本文提出了一种名为Radar Fields的神经场重建方法，将物理模型和神经几何模型结合起来，直接合成原始雷达测量值并提取场景占用信息，使用傅里叶频率空间中的场进行学习，而不是依赖于体积渲染。

实验结果表明，Radar Fields方法在各种室外场景中均具有很好的效果，包括具有密集车辆和基础设施的城市场景以及恶劣天气情况下的场景重建。该方法使用的雷达传感器成本低廉且广泛部署在机器人和汽车中，具有很好的应用前景。

目前，对于使用雷达作为感知模态的神经重建方法研究相对较少。