基于复杂流Mamba的物理感知生成式融合技术，可实现强大的4D雷达-视觉感知功能

《Scientific Reports》：Physics-aware generative fusion via Complex-Flow Mamba enables robust 4D radar-vision perception

　　

摘要

4D成像毫米波雷达正在重新定义自主感知的格局。然而，一个重大缺陷依然存在：传统的深度学习模型往往陷入“点云谬误”，将雷达回波视为简单的离散点，从而忽略了复杂的相位一致性。这使得系统极易受到采样中断干扰的影响，且在远距离检测稀疏目标时性能也会下降。我们提出了Complex-Flow Mamba这一框架，它直接在信号物理层面进行处理，而非停留在特征层面。首先，我们构建了连续的隐式4D复数场，通过极坐标解耦和冯·米塞斯分布建模，恢复了传统离散化方法所丢弃的相位梯度。为减轻复杂的干扰影响，我们还设计了复杂潜在扩散模块（CLDM）。与普通滤波器不同，该生成式先验能够从源头进行微观相位校正，消除相干干扰。在架构方面，我们运用Mamba-2的结构化状态空间对偶性理论，构建出了具有O(N)线性复杂度的双向状态调制结构。在这里，视觉语义可作为雷达的动态滤波器，而雷达动态特性则充当视觉数据的物理筛选机制，从而实现不同数据流之间的深度耦合。此外，我们还加入了基于一致性模型的生成式检测模块，以及符合物理规律的自监督损失函数，以解决远场检测中的“空洞效应”。在View-of-Delft和K-Radar数据集上的测试表明，Complex-Flow Mamba在平均精度均值和NuScenes检测得分方面达到了当前最佳水平，同时在极端电子干扰环境下仍能保持0.88的抗干扰优势。