يجب أن تكون الإدراك الموثوق قادراً على التحمل في ظل الظروف البيئية الصعبة. ولهذا، ركزت الجهود الحديثة على استخدام مستشعرات الرادار إلى جانب مستشعرات الكاميرا وليدار في تطبيقات الإدراك. ومع ذلك، لا يزال تباعد سحابات النقاط في الرادار وقلة توفر البيانات تمثلان تحديين كبيرين أمام الطرق الحالية للإدراك. ولحل هذه التحديات، تم اقتراح شبكة عصبونية رسمية جديدة لا تعتمد فقط على معلومات النقاط نفسها، بل أيضًا على العلاقات بينها. صُممت النموذج ليعمل على تضمين كل من خصائص النقاط وخصائص أزواج النقاط، والتي تُدمج في الحواف الرسومية. علاوةً على ذلك، تم اقتراح نهج عام لتحقيق التماثل التحويلي، وهو مقاوم للسيناريوهات غير المرئية، ويُعدّ بدوره علاجاً لمشكلة قلة البيانات. ويُحقّق التماثل التحويلي من خلال تمثيل بيانات متماثل، بدلًا من اعتماد بنية نموذج متماثلة، ما يجعله قابلاً للتطبيق على طرق أخرى. وتفوق نموذج RadarGNN المقترح جميع الطرق السابقة على مجموعة بيانات RadarScenes. وبالإضافة إلى ذلك، تم دراسة تأثير أنواع مختلفة من التماثل على جودة كشف الأجسام وتقسيم المعنى. وتم إتاحة الكود مفتوح المصدر عبر الرابط التالي: https://github.com/TUMFTM/RadarGNN.