Regionale Vorschlagsalgorithmen spielen eine wichtige Rolle in den meisten modernen zweistufigen Objekterkennungsnetzen, indem sie mögliche Objektstandorte im Bild vermuten. Dennoch sind regionale Vorschlagsalgorithmen bekannt für ihre Engpässe in den meisten zweistufigen Objekterkennungsnetzen, da sie die Verarbeitungszeit für jedes Bild erhöhen und zu langsamen Netzen führen, die nicht für Echtzeitanwendungen wie autonome Fahrzeuge geeignet sind. In dieser Arbeit stellen wir RRPN vor, einen radarbasierten Echtzeit-Regionenvorschlagsalgorithmus für die Objekterkennung in autonomen Fahrzeugen. RRPN generiert Objektvorschläge, indem es Radardetektionen ins Bildkoordinatensystem abbildet und für jeden abgebildeten Radarpunkt vordefinierte Ankerboxen erstellt. Diese Ankerboxen werden dann basierend auf dem Abstand des Objekts vom Fahrzeug transformiert und skaliert, um genauere Vorschläge für die erkannten Objekte zu liefern. Wir evaluieren unsere Methode am neu veröffentlichten NuScenes-Datensatz [1] unter Verwendung des Fast R-CNN-Objekterkennungsnetzes [2]. Im Vergleich zum Selective Search-Objektvorschlagsalgorithmus [3] arbeitet unser Modell mehr als 100-mal schneller und erreicht gleichzeitig höhere Erkennungsgenauigkeit und -vollständigkeit. Der Quellcode ist öffentlich verfügbar unter https://github.com/mrnabati/RRPN .