CompactRADNet: Embeddable Temporal Road-User Detection From Radar

doi:10.1109/TRS.2026.3673162

CompactRADNet: Embeddable Temporal Road-User Detection From Radar

2026-01-01

0

PRE

AI

DOI：10.1109/TRS.2026.3673162

原文链接

原文求助

摘要

En 中文

在保持嵌入式部署计算效率的同时，利用汽车雷达实现准确的道路用户检测仍然具有挑战性。本研究提出了一种CompactRADNet混合卷积神经网络（CNN）-MetaFormer架构，该架构通过处理时序雷达序列，实现了对动态道路用户的高效检测。基于MetaFormer的时序干替换了计算成本高昂的自注意力机制，采用了高效的token混合策略，包括基于池化的、卷积的和移位式的时序融合，其中池化混合器取得了最佳性能。该方法在大幅降低计算需求的同时，相比Transformer变体实现了更优性能。此外，我们引入了自适应二次整流线性单元（AQR）激活函数，该函数专为雷达信号处理设计。AQR包含一个学习得到的门控机制，可针对目标雷达配置中的不同雷达信号强度提供输入依赖性调制。在华盛顿大学相机-雷达（CRUW）数据集上的广泛实验表明，MetaFormer配置在3帧序列上达到81.10%的平均精度（AP），优于Transformer变体（79.51% AP），同时运算量减少约60%。最优13帧配置在仅1.65M参数和15.85 GFLOPs的情况下达到88.15% AP，相比先前方法参数量减少73%，计算成本降低52%。低参数量（1.65M）和降低的计算需求使CompactRADNet适用于部署在NVIDIA Jetson等嵌入式汽车平台。信号处理分析表明，AQR相比传统激活函数，在目标检测信噪比上提升了2.59 dB。这些结果证实，领域特定的架构创新能够在保持计算效率的同时实现最先进性能，适合在自动驾驶系统中广泛部署。

Keyword:

Radar

Transformers

Computer architecture

Radar detection

Computational efficiency

Object detection

Spatial resolution

Feature extraction

Automotive engineering

Three-dimensional displays

Activation functions

artificial neural network (ANN)

autonomous vehicles

convolutional neural network (CNN)

deep learning

embedded systems

MetaFormer

radar object detection

temporal processing

CompactRADNet: Embeddable Temporal Road-User Detection From Radar

摘要

期刊

机构

引用论文