摘要

本文由Min-Hyeok Sun等人提出，针对在恶劣天气条件下4D雷达数据集的自动标注问题，提出了一种基于LiDAR的物体检测网络（LODN）的自动标注方法。该方法通过训练LODN来生成4D雷达数据集（如K-Radar）的地面真实标签，从而避免了昂贵且耗时的手动标注过程。实验结果表明，使用自动生成的标签训练的4D雷达物体检测网络（RTNH）在检测性能上与使用手动标注标签训练的RTNH相当，验证了该自动标注方法的有效性。

原理

本文提出的自动标注方法的核心在于利用已校准的LiDAR点云数据（LPC）训练LiDAR-based物体检测网络（LODN），然后使用该网络对4D雷达数据进行自动标注。具体来说，首先使用LPC数据训练LODN，使其能够识别和定位物体。接着，将训练好的LODN应用于K-Radar数据集，自动生成地面真实标签（即自动标签，ALs）。这些自动标签随后用于训练4D雷达-based物体检测网络（RTNH）。通过这种方式，RTNH能够在没有人工干预的情况下，利用自动生成的标签进行训练，从而达到与使用手工标注标签训练相媲美的检测性能。

流程

1. 训练LODN：使用校准的LPC数据训练LODN，使其能够准确识别和定位物体。
2. 生成自动标签：将训练好的LODN应用于K-Radar数据集，自动生成地面真实标签（ALs）。
3. 训练RTNH：使用生成的ALs训练4D雷达-based物体检测网络（RTNH）。
4. 性能验证：通过实验比较RTNH在不同天气条件下的检测性能，验证自动标注方法的有效性。

应用

该自动标注方法不仅解决了4D雷达数据集标注成本高、效率低的问题，还为自动驾驶系统中的物体检测提供了新的解决方案。随着自动驾驶技术的不断发展，4D雷达作为一种能够在恶劣天气条件下提供稳定数据输出的传感器，其数据集的自动标注方法将极大地推动相关研究和应用的进展。此外，该方法的通用性也意味着它可以应用于其他类型的传感器数据标注，具有广泛的应用前景。