雷达预训练模型

跨数据集迁移

一种面向异构毫米波雷达感知的元数据条件自监督预训练模型，通过绝对坐标编码和FiLM调节注入采集配置，提升跨数据集迁移性能。

Hongliang, Chen · Xiaotian, Jiang · 郭开泰 · 郑阳 · Siqi, Pang · 任胜寒 · 梁继民

Expert Systems with Applications 2027

参数信息

平均精度 (mAP@0.3)

64.5 %

平均交并比 (mIoU)

49.5 %

平均精度 (AP)

85.0 %

技术优势

跨数据集更稳

通过元数据条件化，模型能够适应不同采集配置，减少跨数据集迁移时的性能下降。

性能全面领先

在三个基准上均超过从头训练、MAE预训练、联合监督以及轻量归一化和元数据仿射校准等基线方法。

几何更一致

绝对坐标编码将离散patch索引转换为归一化物理坐标，利用分辨率和视场元数据减少几何不一致。

应用场景

• 雷达目标检测：用预训练模型提升目标检测精度，减少数据标注和训练成本。
• 多模态融合感知：为融合感知提供稳健的雷达特征表示，增强跨模态对齐。
• 低空感知：在低空场景中利用雷达抗干扰能力，提供可靠的检测结果。
• 工业机器人环境感知：帮助工业机器人在复杂环境中进行更稳定的目标识别和避障。