雷达DNN可以区分移动物体和不同类型的静止物体。

自动驾驶汽车不仅需要探测它们周围的移动物体，还必须能够分辨静止物体。

乍看之下，基于摄像头的感知技术似乎足以做出这些判断。然而，光线不足、恶劣天气或物体被严重遮挡等情况都会影响摄像头的视觉。因此，雷达等各种冗余传感器也必须能够执行这一任务。但仅运用传统处理技术的雷达传感器可能还不足以完成这一任务。

传统雷达处理技术是向环境中的物体发射雷达信号并分析信号的反射强度和密度。如果反射的信号群足够强烈和密集，那么传统雷达处理技术会将此确认为某种大型物体。如果信号集群恰好随着时间的推移而移动，那么这个物体可能是一辆汽车。

虽然这种方法可以有效地推断出移动的车辆，但对于静止车辆可能就是另外一回事了。静止的物体会产生密集、但不移动的反射信号群。传统的雷达处理技术可能判断该物体是一根栏杆、一辆抛锚的汽车、一座高速公路立交桥或其他物体。这种方法往往无法分辨物体具体是什么。

为了克服这一方法的局限性，我们可以使用深度神经网络（DNN）形式的AI。

具体而言，NVIDIA训练了一个DNN来探测移动物体和静止物体，并利用雷达传感器数据精准区分不同类型的静止障碍物。

DNN的训练首先需要克服雷达数据稀疏性问题。由于雷达的反射信号可能十分稀疏，因此我们无法仅通过雷达数据来直观识别和标记车辆。

从激光雷达数据域向雷达数据域传播的汽车边界盒标签示例。

而激光雷达可以利用激光脉冲创建周围物体的3D图像。因此，如图所示，通过将相应的激光雷达数据集边界盒标签传播至雷达数据就可以创建出DNN的地面真值数据。通过这种方式，数据标记员根据激光雷达数据对汽车所进行视觉识别和标记的能力可以被有效转移至雷达域。

此外，通过该流程，雷达DNN不仅学会了探测汽车，而且还学会了探测汽车的3D形状、尺寸和方向，而这是传统方法所难以做到的。

通过这些额外信息，雷达DNN能够区分不同类型的障碍物（包括静止的障碍物），增加真阳性探测的置信度并减少假阳性探测。

雷达DNN能够带来具有更高置信度的3D感知结果，从而使自动驾驶预测、规划和控制软件能够做出更好的驾驶决策，尤其是在具有挑战性的情景中。现在，像使用雷达精准估测形状和方向、探测静止车辆以及高速公路立交桥下的车辆等典型的难题已迎刃而解，而且错误率大大降低。

雷达DNN输出能够与传统雷达处理技术顺利整合。这两个组件共同构成了NVIDIA雷达障碍物感知软件堆栈的基础。

该堆栈为基于摄像头的障碍物感知系统提供全冗余而设计，并能够实现纯雷达规划与控制输入，而且还能与摄像头感知软件或激光雷达感知软件融合。

通过这一全面的雷达感知能力，自动驾驶汽车可以精准感知其周围环境。