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

3D基于占据状态的感知流程通过捕获详细的场景描述并展示了在不同对象类别和形状之间的强大泛化能力，显著推进了自动驾驶技术。当前的方法主要依赖于LiDAR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。为了提高感知的鲁棒性，我们利用了汽车雷达的最新进展，并引入了一种新的方法，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雷达张量来避免稀疏雷达点云的限制，从而保留了关键的场景细节。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，创新性地解决了与庞大和嘈杂的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数据集上基于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，甚至在与基于LiDAR或相机的方法进行比较时也表现出有希望的结果。此外，我们还展示了4D雷达在恶劣天气条件下的卓越性能，并通过消融研究探讨了关键流程组件的影响。

本论文旨在提高自动驾驶系统在不良天气条件下的感知能力，通过使用4D成像雷达传感器进行3D占据预测，解决了当前主要依赖于LiDAR或相机输入的方法在不良天气条件下的局限性问题。

论文提出了一种新的方法，RadarOcc，通过处理4D雷达张量来预测3D占据情况，利用多普勒频率描述符、侧瓣感知空间稀疏化和范围自注意机制等技术来解决4D雷达数据的体积和噪声问题，并通过球面特征编码和球面到笛卡尔特征聚合来减少直接坐标转换的插值误差。

论文在公共K-Radar数据集上进行了各种基线方法的基准测试，证明了RadarOcc在雷达3D占据预测方面的最先进性能，并展示了在不良天气条件下4D雷达的卓越性能。此外，论文还进行了消融研究，探讨了关键流程组件的影响。

最近的相关研究包括：《End-to-End Multi-View Fusion for 3D Object Detection in LiDAR Point Clouds》、《PointPillars: Fast Encoders for Object Detection from Point Clouds》、《RangeNet++: Fast and Accurate LiDAR Semantic Segmentation》等。