Rad-R: A Raw-ADC Radar Dataset and Capture-Invariant SSM for Hardware-Fault Diagnosis
作者: Mainak Mallick, Junghwan Yim, Seung-Kyum Choi
分类: cs.CV
发布日期: 2026-08-31
💡 一句话要点
提出Rad-R数据集以解决汽车毫米波雷达硬件故障诊断问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 毫米波雷达 硬件故障诊断 原始ADC数据集 多模态传感器 机器学习 信号处理 自动驾驶 数据集发布
📋 核心要点
- 现有的雷达数据集缺乏针对特定硬件故障的标注，导致故障诊断的研究受到限制。
- 本文提出Rad-R数据集，结合控制的硬件故障和多种传感器数据，提供更全面的故障诊断基础。
- 实验结果表明，RadrNet在控制基准测试中表现优异，尤其在少量样本学习和跨捕获场景中具有较强的泛化能力。
📝 摘要（中文）
汽车毫米波雷达在使用过程中可能会出现振动、天线失调、雷达罩阻塞和接收通道退化等问题，这些故障会在感知之前影响信号的质量。由于每种故障条件必须在物理硬件上诱导并测量，因此相关数据非常稀缺。本文介绍了Rad-R，一个使用77GHz TI MMWCAS-RF-EVM级联设备捕获的原始ADC数据集。与现有的原始雷达数据集不同，Rad-R为每个记录配对了经过校准的故障严重程度、独立的物理严重性测量以及同步的IMU、温度、GPS和相机流。该数据集的基准评估了七个代表性的视觉骨干网络和提出的原始IQ Mamba SSM（RadrNet），结果显示在不同协议下的性能表现。
🔬 方法详解
问题定义：本文旨在解决汽车毫米波雷达在硬件故障情况下信号质量下降的问题。现有方法缺乏针对特定故障的标注数据，导致故障诊断的准确性和可靠性不足。
核心思路：论文提出了Rad-R数据集，通过在控制条件下捕获原始ADC数据，并与硬件故障的严重程度相结合，提供了一个全面的故障诊断平台。这种设计使得研究人员能够在不同故障条件下进行有效的模型训练和评估。
技术框架：Rad-R数据集包含多个模块，包括原始ADC信号捕获、故障严重性标注、IMU和其他传感器数据同步等。整体流程为：数据采集→故障标注→模型训练与评估。
关键创新：最重要的创新点在于将每个数据记录与具体的硬件故障严重程度相结合，并提供多模态传感器数据的同步。这种方法与现有数据集的单一数据源和缺乏故障标注的情况形成了鲜明对比。
关键设计：在模型设计中，RadrNet采用了相对相位和标准化幅度的替代绝对相位的方法，显著提高了在控制基准测试中的表现。实验中使用了多种损失函数和网络结构，以优化模型的学习效果。
🖼️ 关键图片
📊 实验亮点
实验结果显示，RadrNet在控制基准测试中取得了0.663的宏F1分数，优于最强的RD-CNN（0.628）。在少量样本学习和跨捕获场景中，RadrNet表现出色，展示了其在实际应用中的潜力和优势。
🎯 应用场景
该研究的潜在应用领域包括汽车安全系统、自动驾驶技术和智能交通系统。通过提高毫米波雷达在故障条件下的信号处理能力，能够显著提升车辆的感知能力和安全性，推动智能交通的发展。未来，该数据集和模型的发布将为相关领域的研究提供重要的基础和参考。
📄 摘要（原文）
Automotive mmWave radar can develop vibration, antenna misalignment, radome blockage, and receive-channel degradation that corrupt the signal before perception begins. Data for these faults are scarce because each condition must be induced and measured on physical hardware. We introduce Rad-R, a raw-ADC dataset captured with a 4-chip 77GHz TI MMWCAS-RF-EVM cascade (192 virtual channels). Unlike existing raw-radar datasets, Rad-R pairs each recording with a controlled hardware fault at a calibrated severity, an independent physical severity measurement, and frame-synchronised IMU, temperature, GPS, and camera streams. Rad-R is a single-session dataset, so our generalisation claims are confined to a controlled cross-severity protocol in which train and test use physically distinct captures. A reproducible benchmark evaluates seven representative vision backbones and the proposed raw-IQ Mamba SSM (RadrNet) under within-clip, chirp-wise anytime, few-shot cross-capture, and controlled cross-severity protocols. Within-clip performance is near-saturated ($>0.98$ macro-F1), whereas cross-severity generalisation remains difficult: the absolute-phase RadrNet-DS falls to $0.49$ macro-F1. RadrNet-DS-CI replaces absolute phase with per-frame-standardised magnitude and relative chirp-to-chirp phase and ranks first on the controlled benchmark ($0.663$ vs. $0.628$ for the strongest RD-CNN; three seeds); the RadrNet family also leads on the anytime and few-shot budgets. A descriptive cross-modal analysis further finds that radar micro-Doppler covaries with independently measured IMU vibration energy (pooled Spearman $ρ=0.41$ across conditions). The complete dataset and code will be released publicly under permissive licences.