awesome-radar-perception

该合集是一个精心整理的雷达数据集资源列表，专注于雷达感知领域，特别是自动驾驶应用。它涵盖了多种雷达数据集，包括常规雷达数据集（如nuScenes、DENSE、PixSet等），并提供数据集的雷达类型、数据类型、注释和链接信息。合集还扩展到雷达信号处理、应用和挑战等相关主题，旨在为研究人员和开发者提供一个全面的雷达感知数据集参考集合。This collection is a curated list of radar dataset resources focused on the field of radar perception, particularly for autonomous driving applications. It covers various radar datasets, including conventional ones such as nuScenes, DENSE, PixSet, etc., and provides information including radar types, data modalities, annotations, and access links for each dataset. Additionally, this collection extends to related topics like radar signal processing, practical applications, and existing challenges, aiming to offer researchers and developers a comprehensive reference collection for radar perception datasets.

原始信息汇总

数据集详情总结：awesome-radar-perception

这是一个由天津大学周逸维护的雷达感知领域资源列表，涵盖数据集、检测、跟踪与融合等方向，并持续更新。

核心概述

该仓库旨在为自动驾驶中的雷达感知研究提供全面的资源导航，并关联了一篇综述论文（Towards Deep Radar Perception for Autonomous Driving: Datasets, Methods, and Challenges），该论文可开放获取。

主要内容分类

1. 雷达数据集

数据集按不同类型进行了整理：

• 传统自动驾驶雷达数据集：包括 nuScenes、DENSE、PixSet、Radar Scenes、Pointillism、Zendar SAR、Cooperative Radars 和 aiMotive。注释涉及数据集描述中提及的雷达类型、数据类型（如稀疏/密集点云）和标注信息（如3D边界框、轨迹ID）。
• 检测前（Pre-CFAR）数据集：包括 CRUW、CARRADA、RADDet、RaDICaL、GhentVRU 和 RAMP-CNN。这些数据集提供雷达数据（如距离-角度图、距离-角度-多普勒张量）和原始ADC数据，适用于更低层次的检测任务。
• 4D雷达数据集：包括 Astyx Hires2019、View-of-Delft、RADIal、TJ4DRadSet、K-Radar、ZF 4DRadar Dataset、ThermRad 和 MSC-RAD4R。这些数据集提供4D雷达点云及3D边界框等标注，部分提供原始数据和长距离检测能力。
• 特定任务数据集：涵盖轨迹预测、开放空间分割、鬼影目标检测、手势识别、人体活动与重建、生命体征、定位与SLAM等多个具体任务。例如 HawkEye、PREVENTION、SCORP、DopNet、RadHAR、mRI、Ground Penetrating Radar 数据集等。
• 里程计与定位数据集：包括 Oxford Radar Robocar、RADIATE、MulRan、Boreas、ColoRadar、USVInland 等，主要用于雷达里程计、位置识别和SLAM研究。

2. 雷达工具箱与SDK

• 仿真工具：RadarSimPy、Virtual Radar、MaxRay、RadaRays。
• TI信号处理SDK：RaDICaLs Toolbox、PyRapid、OpenRadar、Pymmw、Open radar initiative、RADIals Emptyband-DDM Script。
• 官方SDK：NXP Premium Radar SDK、TI mmWAVE Studio、TI Toolbox、Matlab Radar Toolbox。
• 数据采集工具：TI Radar and Camera in Python、Ainstein Radar ROS Node、Continental ARS 408 ROS Node、TI mmWave ROS Driver等。

3. 研讨会与讲座

列举了从2021年至今与雷达感知相关的多个重要研讨会和线上讲座，如ICRA Radar Perception for All-Weather Autonomy、ICASSP Recent Advances in mmWave Radar Sensing等，并附有视频或幻灯片链接。

4. 综述论文

• 雷达硬件：涉及77GHz频段技术、片上雷达、天线概念、高分辨率4D成像MIMO雷达。
• 雷达信号处理：涵盖通用信号处理、MIMO、DOA估计、微多普勒、数字雷达、动态范围、相位噪声、干扰抑制等主题。
• 汽车雷达应用：重点推荐了仓库维护者的综述论文，涵盖检测、融合等方向。

搜集汇总

数据集介绍

构建方式

该数据集由天津大学周逸博士整理并持续维护，是一个聚焦于雷达感知领域的综合性资源清单。其构建过程基于对现有雷达数据集、检测与跟踪算法、传感器融合技术以及相关研究论文的系统梳理与分类。通过广泛搜集来自学术界和工业界的公开资源，按照数据视角、信号处理、应用场景及挑战问题等维度进行层级化组织，最终形成一个结构清晰、内容详尽的雷达感知知识库。

特点

该数据集具有高度的系统性和时效性，不仅涵盖了从传统稀疏点云到4D雷达、从原始ADC数据到预处理张量的多类型雷达数据，还囊括了从目标检测、跟踪融合到人体活动识别、生命体征监测等多样化应用场景。特别值得一提的是，其收录了多个具有代表性的预CFAR数据集和4D雷达数据集，并附有详细的对比评注，为研究者提供了宝贵的参考和选择依据。

使用方法

使用者可通过访问该GitHub仓库的README页面，按照内容目录导航至感兴趣的板块。每个板块下均以表格形式清晰列出了相关数据集的名称、雷达类型、数据类型、标注信息及获取链接。用户可直接点击链接跳转至对应数据集的官方网站或GitHub页面进行下载与使用。此外，该页面还提供了相关的雷达工具箱、信号处理SDK及综述论文链接，便于用户进行深入研究和实践。

背景与挑战

背景概述

awesome-radar-perception数据集由天津大学的周毅研究员于2022年创建，旨在系统梳理面向自动驾驶的毫米波雷达感知领域的研究进展。该数据集的核心研究问题聚焦于雷达在复杂交通环境中的目标检测、跟踪与融合任务，尤其关注深度学习技术如何突破传统雷达信号处理的局限。作为该领域首个综合性资源库，它收录了从原始ADC数据到4D点云的多层次数据集，覆盖了从信号处理到高级应用的完整技术链条。其配套发表的综述论文《Towards Deep Radar Perception for Autonomous Driving》已成为该领域的重要参考文献，推动了雷达感知技术在自动驾驶系统中的标准化评估与跨模态融合研究的发展。

当前挑战

该数据集所解决的领域挑战包括：雷达点云稀疏性导致的目标检测精度不足，多径效应和互干扰造成的虚假目标问题，以及恶劣天气下雷达信号衰减对感知鲁棒性的影响。在构建过程中面临的挑战有：不同雷达传感器（如TI AWR1843与Navtech旋转雷达）的数据格式异构性难以统一，标注成本高昂——部分数据集需对雷达张量进行逐点语义标注，以及4D雷达数据的动态范围与分辨率权衡问题。此外，公开数据集多采集于晴好天气，缺乏涵盖雨雪雾等极端条件的标准化测试基准，限制了算法泛化能力的评估。

常用场景

经典使用场景

在自动驾驶与智能感知领域，雷达因其全天候、抗干扰的独特优势，成为视觉与激光雷达之外不可或缺的感知模态。该数据集汇集了从传统稀疏点云雷达到前沿4D成像雷达的多种数据资源，广泛覆盖目标检测、跟踪、传感器融合、语义分割以及即时定位与地图构建（SLAM）等经典任务。其中，nuScenes、Radar Scenes和View-of-Delft等数据集常被用于多模态融合下的三维目标检测与跟踪，为算法在复杂交通场景中的鲁棒性验证提供了标准化基准。此外，CARRADA与RADDet等基于雷达距离-角度图谱的数据集，则推动了从原始信号到语义理解的端到端感知研究，成为雷达深度学习领域的基石。

衍生相关工作

围绕该数据集，学术界衍生出了一系列具有深远影响的经典工作。在目标检测方面，基于nuScenes和Astyx数据集，研究者提出了诸如PointPillars和CenterPoint等适配雷达点云稀疏特性的三维检测框架，显著提升了远距离小目标的召回率。在传感器融合领域，MVDNet和DeepInteraction等工作利用Oxford Radar Robocar与RADIate数据集，探索了雷达与激光雷达、相机在特征级与决策级的互补融合策略，引领了多模态感知的新范式。此外，针对雷达特有的信号处理难题，RaDICaL和CARRADA数据集催生了基于深度学习的CFAR检测替代方案和超分辨率成像方法，这些工作不仅提升了感知精度，也为雷达感知的理论研究注入了新的活力。

数据集最近研究

最新研究方向

在自动驾驶领域，雷达感知技术正经历从传统稀疏点云向高分辨率4D成像与原始信号深度学习的范式转变。当前研究前沿聚焦于三个核心方向：其一，基于原始ADC数据或距离-角度张量的端到端目标检测方法，如CRUW与CARRADA数据集推动了预CFAR阶段的深度学习突破，使雷达在恶劣天气下仍能保持稳健感知能力；其二，4D成像雷达的崛起，以K-Radar和TJ4DRadSet为代表，通过提供包含俯仰维度的密集点云与三维标注，显著提升了静态场景理解与动态目标跟踪的精度；其三，雷达与视觉、激光雷达的深度融合，如RADIal数据集提供的多模态对齐数据，正催生抗干扰的联合感知框架。值得关注的是，毫米波雷达在人体姿态重建、生命体征监测等非车载领域的跨界应用同样蓬勃发展，mmBody与HuPR等数据集展示了雷达在隐私保护型人机交互中的独特价值。这些进展不仅回应了全气候自动驾驶的刚性需求，更推动了雷达从辅助传感器向主感知模态的跨越，其影响正在重塑智能驾驶系统的传感器架构与算法范式。