工程师用 3 层 MLP 做车载雷达目标分类,Macro F1 达 0.764
bruno_pinto90 · reddit · 2026-09-07
一位雷达信号处理工程师分享了在 RadarScenes 雷达点云上训练 5 类目标分类器(car/largevehicle/twowheeler/pedestrian/pedestriangroup)的完整过程。
- 方法:输入为每扫描 16 bin 直方图,网络为 3 层 MLP,使用类加权交叉熵损失,基于 "Histogram-based Deep Learning for Automotive Radar" 论文,仅用单次扫描。
- 数据难点:类别不平衡(twowheeler 与 largevehicle 样本少)、聚合类别的语义混杂、慢速长轨迹带来的序列偏差导致跨折 F1 方差大。
- 消融发现:更大的 MLP、不同特征编码与直方图分 bin 的影响均小于 train/val/test 划分本身引起的波动(6 折测量);改为 per-instance 统计特征反而略降性能。
- 核心结论:当每个实例的雷达检测点数从 1 增至 5,Macro F1 从 0.381 升至 0.764,稀疏性是最大瓶颈。car 与 pedestrian 表现最好,twowheeler 最差——其速度补偿后的分布与行人重叠,静止/怠速的两轮车几乎不可区分。
- 后续计划:尝试 PointNet 类空间编码、多扫描累积与 micro-Doppler。
完整报告见 GitHub。
「具身」频道最新
- 斯德哥尔摩 Physical AI Day 活动明日举行 — SimonOlsn · 2026-09-07
- 华为发布麒麟 9050Pro:逻辑折叠架构,NPU 功耗降 66% — APPSO · 2026-09-07
- Autowash 洗车机器人商用：3D 建模定制清洗，4 分钟 76 升水 — lukas_m_ziegler · 2026-09-07
- Robotico Live 节目上线：对话人形机器人创始人与工程师 — xmercury_one · 2026-09-07
- 用 Astra 一天做出视觉 SLAM+MPC 无人机控制,网友惊呼太聪明 — bookwormengr · 2026-09-07
- 湾区至少 5 座人形机器人工厂在建,用户让 AI 全程设计工厂布局 — Scobleizer · 2026-09-07