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

神经场已广泛研究作为场景表示，用于再现和生成各种户外场景，包括自动驾驶车辆和机器人必须处理的场景。虽然已经存在成功的RGB和LiDAR数据方法，但是作为一种感知模式的雷达的神经重建方法尚未得到广泛探索。雷达传感器在毫米波段上工作，对雾和雨中的散射具有鲁棒性，因此是主动和被动光学感知技术的补充模式。此外，现有的雷达传感器成本效益高，并广泛部署在户外运行的机器人和车辆上。我们介绍了雷达场 - 一种专为主动雷达成像器设计的神经场重建方法。我们的方法将明确的、受物理启发的传感器模型与隐式的神经几何和反射模型相结合，直接合成原始雷达测量值并提取场景占用。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，受原始雷达数据监督。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，毫米波感知尤为有利的情况。

本论文旨在解决雷达成像技术在神经场重建方面的应用问题，提出了一种新的神经场重建方法Radar Fields。

Radar Fields方法将物理学模型与神经几何和反射模型相结合，直接合成原始雷达测量数据并提取场景占据情况，无需依赖体积渲染。该方法在傅里叶频率空间中学习场，并通过原始雷达数据进行监督训练。

论文通过实验验证了Radar Fields方法在各种室外场景下的有效性，包括城市场景和恶劣天气条件下的场景。该方法的亮点在于能够利用雷达成像技术的优势，如抗雾、抗雨等，而且成本低廉，适用于广泛的机器人和车辆。

在雷达成像技术方面，已经存在一些针对RGB和LiDAR数据的神经重建方法。但是，针对雷达数据的神经重建方法还未得到广泛研究。