摘要
可靠的感知系统必须具备在复杂环境条件下保持稳定性能的能力。因此，近年来的研究重点在于将雷达传感器与传统的摄像头及激光雷达（lidar）传感器结合，用于提升感知任务的鲁棒性。然而，当前感知方法仍面临雷达点云稀疏以及数据可用性差等挑战。为应对这些问题，本文提出了一种新型图神经网络（Graph Neural Network, GNN），该网络不仅利用点自身的特征信息，还充分挖掘点与点之间的关系。模型设计中同时考虑了点特征与点对特征，并将点对特征嵌入图结构的边中进行建模。此外，本文提出了一种通用的变换不变性实现方法，该方法对未见过的场景具有较强的鲁棒性，同时有效缓解了数据稀缺的问题。该变换不变性通过构建不变的数据表示来实现，而非依赖于特定的模型架构，因而具有良好的可迁移性，适用于其他感知方法。实验结果表明，所提出的RadarGNN模型在RadarScenes数据集上的表现优于所有现有方法。同时，本文还系统研究了不同类型的不变性对目标检测与语义分割性能的影响。相关代码已开源，可通过 https://github.com/TUMFTM/RadarGNN 获取。