这篇是清华大学发表在IV（IEEE Transactions on Intelligent Vehicles）上的文章: Bridging the view disparity between radar and camera features for multi-modal fusion 3d object detection

文章信息讲得比较细致，非常值得一看；

一、创新点和贡献

1. 提出了一种多视图，2阶段的camera-radar的融合方法；

2. 提出了一个同时考虑时间和空间信息的radar feature encoder；

3. 用radar信息产生高维的热力图， 加强对于空间信息的回归；

4. 在nuScenes上效果很好；

二、精度

 

三、实现

3.1 radar 分支

 多帧叠加到当前时刻的某个参考坐标系（比如前雷达）

置信度过滤

voxel或者pillar based的encoder提取空间特征

convLSTM提取时间特征

3.2 图片分支

 和LSS基本上是一致的

3.3 融合分支

我理解，RoI融合，使用radar分支产生的6个方面的置信度，把point fuse的feature扩散到(1536=256*6) 个维度，也有点像LSS；