Les radars automobiles de nouvelle génération fournissent des données d'élévation en plus des informations de portée, d'azimut et de vitesse de Doppler. Dans cette étude expérimentale, nous appliquons un détecteur d'objets d'avant-garde (PointPillars), initialement conçu pour les données 3D LiDAR, aux données radar 3+1D (où le 1D correspond à la composante de Doppler). Dans des études d'ablation, nous explorons d'abord les avantages apportés par l'information d'élévation supplémentaire, ainsi que par les données de vitesse de Doppler, de section efficace radar (RCS) et d'accumulation temporelle, dans le cadre de la détection multi-classe des usagers de la route. Nous comparons ensuite les performances de détection d'objets sur les nuages de points radar et LiDAR, par classe d'objet et en fonction de la distance. Pour faciliter cette étude, nous présentons le nouveau jeu de données automobilisées View-of-Delft (VoD). Ce jeu de données comprend 8 693 images synchronisées et calibrées provenant de capteurs LiDAR à 64 couches, de caméras stéréo et de radars 3+1D, acquises dans des scénarios urbains complexes. Il contient 123 106 annotations de boîtes englobantes 3D pour des objets mobiles et statiques, incluant 26 587 étiquettes de piétons, 10 800 cyclistes et 26 949 voitures. Nos résultats montrent que la détection d'objets sur les données LiDAR à 64 couches reste supérieure à celle sur les données radar 3+1D, mais l'ajout de l'information d'élévation et l'intégration de scans radar successifs permettent de réduire significativement cet écart. Le jeu de données VoD est mis à disposition gratuitement pour des évaluations scientifiques à l'adresse suivante : https://intelligent-vehicles.org/datasets/view-of-delft/.