O radar automotivo milimétrico de baixo custo recebeu cada vez mais atenção devido à sua capacidade de lidar com condições climáticas adversas e iluminação em condução autônoma. No entanto, a falta de conjuntos de dados de qualidade dificulta a pesquisa e o desenvolvimento. Relatamos um novo método que é capaz de simular sinais de radar de ondas milimétricas 4D, incluindo inclinação, guinada, alcance e velocidade Doppler, juntamente com a força do sinal de radar (RSS), usando imagem de câmera, nuvem de pontos de detecção de luz e alcance (lidar) e velocidade do ego. O método é baseado em duas novas redes neurais: 1) DIS-Net, que estima a distribuição espacial e o número de sinais de radar, e 2) RSS-Net, que prevê o RSS do sinal com base em informações de aparência e geométricas. Implementamos e testamos nosso método usando conjuntos de dados abertos de 3 modelos diferentes de radar automotivo comercial. Os resultados experimentais mostram que nosso método pode gerar com sucesso sinais de radar de alta fidelidade. Além disso, treinamos uma rede neural popular de detecção de objetos com dados aumentados pelo nosso radar sintetizado. A rede superou a contraparte treinada apenas com dados brutos de radar, um resultado promissor para facilitar futuras pesquisas e desenvolvimentos baseados em radar.
Pan et al. (Ter,) estudaram essa questão.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: