本文提出了两种网络架构，分别称为RANet和BIRANet。所提出的架构旨在融合雷达信号数据与RGB相机图像，构建一个在光照和天气条件变化（如雨、尘、雾等）下仍能高效运行的鲁棒目标检测网络。具体而言，该方法包含三个关键步骤：首先，在特征提取网络中融合雷达信息；其次，利用雷达点云生成引导性锚框（guided anchors）；第三，提出一种改进区域建议网络（RPN）目标生成的方法。在NuScenes数据集上的实验结果表明，BIRANet取得了72.3% / 75.3%的平均AP/AR，优于基于特征金字塔网络（FFPN）的基线模型Faster-RCNN。RANet在相同数据集上获得69.6% / 71.9%的平均AP/AR，表现亦达到合理可接受水平。此外，BIRANet与RANet均在噪声环境下展现出良好的鲁棒性。