awesome-mmwave-radar-perception

这是一个精心整理的资源列表，专注于毫米波（mmWave）雷达感知领域，特别是深度学习方法的论文、数据集和其他资源。该合集覆盖了毫米波雷达感知的多个方面，包括信号处理、参数估计、高分辨率成像、SAR成像、数据合成、增强与模拟以及基础模型等主题，旨在为研究人员和开发者提供全面的数据集索引和推荐。This is a carefully curated list of resources focused on the millimeter-wave (mmWave) radar perception domain, particularly papers, datasets and other materials related to deep learning methods. This collection covers a wide range of topics in mmWave radar perception, including signal processing, parameter estimation, high-resolution imaging, SAR imaging, data synthesis, enhancement and simulation, as well as foundation models, aiming to provide comprehensive dataset indices and recommendations for researchers and developers.

原始信息汇总

Awesome mmWave Radar Perception 资源汇总

这是一个专注于毫米波（mmWave）雷达感知的精选资源仓库，重点收录深度学习方法的论文、数据集和相关资源。仓库由 Armor 维护，联系方式：[e-mail]，最后更新于 2026年6月3日。

收录标准

• 可复现性：优先收录公开代码或数据集的论文。
• 研究焦点：涵盖深度学习与毫米波雷达感知交叉领域的论文。
• 时效性：定期添加顶级学术会议和期刊的最新相关出版物。

资源结构

论文探索器与更新简报

• 论文探索器：提供了一个实际网页（https://armorhtk.github.io/awesome-mmwave-radar-perception/），可按主题、年份、论文类型或会议进行筛选。
• 更新简报：记录近期新增论文数量，最新更新包括2026年6月3日（+3）、6月2日（+2）、5月31日（+8）等。

内容分类

📚 教程资源

• TI Radar Toolbox for mmWave Sensors：德州仪器提供的雷达工具箱。
• PKU Millimeter Wave Radar Tutorial：北京大学毫米波雷达教程，基于TI IWR1843+DCA1000，涵盖原始ADC采集、FMCW/MIMO信号处理、仿真及人体跟踪/定位、手势识别、生命体征检测等应用。
• Introduction-to-MIMO-FMCW-Radar：MIMO-FMCW雷达入门学习包，附带MATLAB示例。
• FMCW Radar Principles and Human Activity Recognition Systems：203页的arXiv书籍，系统介绍FMCW雷达原理和人体活动识别方法。
• Generative Machine Learning for Radar-Based Vital Sign Monitoring：苏黎世联邦理工学院学期论文代码，实现端到端雷达生命体征监测管道。

🌐 雷达基础技术

信号处理与参数估计

收录了20篇论文，涵盖以下研究方向：

• 稀疏信号恢复：如基于图割截断流方法的聚类稀疏信号相位恢复。
• 信号处理与深度学习协同设计：如RF-LEGO通过深度展开实现模块化信号处理与深度学习联合设计。
• 多普勒特征提取：如Doppler Former模块显式提取多普勒特征提升感知模型性能。
• 速度矢量估计：如基于多跳散射的单帧MIMO雷达速度矢量估计。
• 超分辨率成像：如基于模型驱动知识学习的高分辨率汽车雷达成像。
• 波达方向（DOA）估计：包括单快拍DOA估计、阵列误差鲁棒DOA估计、基于Siamese神经网络、神经电磁阵列响应等方法。
• 雷达干扰检测与抑制：如端到端可训练深度网络、时空去噪自编码器等方法。
• 雷达测距：如有界虚警率检测器改进雷达里程计估计。

高分辨率成像与SAR成像

收录了多篇论文，涉及：

• 近场毫米波成像：如对抗鲁棒性、元表面与扩散模型结合的高分辨率静态成像。
• SAR三维成像：深度学习方法的综述，涵盖超分辨率和增强成像技术。
• 稀疏轨迹SAR成像：如基于无训练复值神经网络的稀疏轨迹毫米波SAR成像。
• 动态场景神经雷达场：如RF4D用于户外动态场景的新视图合成。
• 无监督3D SAR成像：基于生成对抗学习的无监督3D SAR成像网络。

🤖 具身AI与机器人

（论文列表未完整给出，但分类已存在）

🚗 自动驾驶与无人机

（论文列表未完整给出，但分类已存在）

🩺 人体感知与医疗健康

（论文列表未完整给出，但分类已存在，包括人体活动识别、手势识别、存在检测、姿态估计、生命体征检测、睡眠监测、疲劳驾驶检测、身份识别等子类）

🌱 农业应用

（论文列表未完整给出，但分类已存在）

🏭 工业应用

（论文列表未完整给出，但分类已存在）

🔒 取证与隐私安全

（论文列表未完整给出，但分类已存在）

📦 其他应用

（论文列表未完整给出，但分类已存在）

相关资源

• 更广泛的雷达感知资源：awesome-radar-perception（https://github.com/ZHOUYI1023/awesome-radar-perception）覆盖更多雷达技术及模态（如UWB、LiDAR）。

贡献方式

仓库提供了贡献指南，鼓励用户提交相关论文和资源。

搜集汇总

数据集介绍

构建方式

在毫米波雷达感知领域蓬勃发展的背景下，Awesome mmWave Radar Perception 作为一个精心策划的资源聚合库应运而生。其构建方式遵循一套严谨的筛选标准：首要考量研究成果的可复现性，优先收录附带公开代码或数据集的论文；其次关注研究深度，聚焦于深度学习与毫米波雷达感知交叉的创新性工作；最后强调时效性，持续纳入来自顶级学术会议和期刊的最新发表成果。该库以结构化的分类体系组织内容，涵盖雷达基础技术（如信号处理、高分辨率成像）、自主驾驶与机器人（如3D目标检测、语义分割）、人体感知与医疗健康（如活动识别、生命体征监测）等核心领域，并辅以交互式论文探索器与更新简报，确保资源的系统性与可访问性。

特点

该数据集资源库展现出鲜明的特色与卓越的实用性。其最引人注目的特点在于提供了一个功能完善的在线论文探索器，支持按主题、年份、成果类型或会议进行多维筛选，彻底革新了传统线性文档的检索体验。此外，该库不仅收录了海量学术论文，还集成了丰富的教程资源，覆盖从TI毫米波传感器工具箱到FMCW雷达原理与人体活动识别系统的完整学习路径。内容分类极为细致，从信号参数估计到SLAM、从手势识别到农业应用，几乎囊括了毫米波雷达感知的所有前沿分支，且每条记录均附有代码链接与摘要，极大便利了研究者的快速查阅与复现。

使用方法

使用该资源库的方式灵活多样，旨在满足不同研究需求。用户可直接通过在线论文探索器进行交互式检索，利用主题、年份、成果类型等过滤器精准定位目标文献。对于偏好传统浏览方式的用户，仓库的README文件以清晰的目录结构呈现，可逐层深入至具体论文条目。每条记录均包含论文标题、代码链接、发表会议与日期及摘要，便于快速评估。此外，该库还提供了详细的更新历史与贡献指南，鼓励社区成员通过提交Pull Request来补充新的研究成果，共同维护这一知识生态的活力与完整性。

背景与挑战

背景概述

毫米波雷达感知技术凭借其全天候、高精度测距与测速能力，在自动驾驶、机器人、人机交互及医疗健康等领域展现出不可替代的潜力。然而，传统信号处理方法在面对复杂动态环境时，往往受限于模型假设与计算效率，难以充分挖掘雷达数据的深层特征。在此背景下，由研究者Armor主导构建的Awesome mmWave Radar Perception资源库应运而生，该系统性地收录了自2026年以来围绕深度学习与毫米波雷达融合的前沿论文、公开数据集与实用工具，覆盖从基础信号参数估计到高级感知任务（如3D目标检测、人体姿态估计、生命体征监测）的完整研究链条，为领域内学者与工程师提供了高时效性、可复现的参考框架，显著推动了毫米波雷达感知技术的标准化与学术交流。

当前挑战

该数据集所聚焦的领域面临多重挑战：首先，毫米波雷达点云稀疏且噪声显著，在自动驾驶与机器人定位中实现稳定、高精度的3D目标检测与跟踪仍具难度，尤其在多径干扰与低信噪比场景下；其次，构建过程中需解决跨模态融合（如雷达与视觉、激光雷达）的时空对齐难题，以及公开数据集的标注成本高昂、场景多样性不足等问题。此外，雷达信号处理与深度学习模型的协同设计缺乏统一范式，对模型的可解释性与泛化能力提出了更高要求，而隐私保护与对抗攻击鲁棒性等新兴议题亦亟待深入探索。

常用场景

经典使用场景

在自动驾驶与机器人感知领域，毫米波雷达凭借其全天候、全天时的稳健特性，成为不可或缺的环境感知传感器。该数据集整合了众多前沿研究，经典使用场景涵盖3D目标检测与分类、语义及实例分割、场景流与运动预测、雷达里程计与自运动估计、多目标跟踪以及同时定位与地图构建（SLAM）。通过融合深度学习方法，研究者能够从雷达原始信号或点云中高效提取语义信息，实现复杂动态场景下的精准环境建模，为自主导航与决策提供关键支撑。

实际应用

在实际应用中，该数据集衍生的技术已广泛部署于多个行业。在智能驾驶领域，其感知算法被用于自适应巡航控制、自动紧急制动以及盲区监测，有效提升行车安全。在智能家居与健康监护中，基于雷达的活动识别与跌倒检测系统，为老年人与慢性病患者的居家安全提供了非侵入式解决方案。此外，在工业自动化与农业监测中，毫米波雷达被用于障碍物规避、作物生长监测与仓储物流管理，展现了其在复杂环境下的可靠感知能力。

衍生相关工作

该数据集催生了一系列经典衍生工作。在雷达信号处理层面，涌现出如RF-LEGO（信号处理与深度学习协同设计）、Doppler Former（速度监督机制）等创新方法，提升了特征提取效率。在感知算法方面，基于深度展开的神经检测器（NeuroDet）、面向稀疏阵列的深度DOA估计网络（SDOA-Net）等成果，推动了模型可解释性与性能的平衡。在应用层，毫米波逆针孔成像、基于扩散模型的高分辨率成像等研究，拓展了雷达在安防与医疗成像中的边界。