本研究探讨了在雷达点云中应用混合样本数据增强（MSDA）的挑战，并提出了类感知柱混合（CAPMix）方法。该方法通过在3D点云的柱级别应用带类标签的MixUp，生成多样化的训练样本。实验结果表明，CAPMix显著提升了性能，超越了现有的MSDA方法。

3D基于占据的感知管道通过捕捉详细的场景描述并展现出强泛化能力，推进了自动驾驶。利用车载雷达的最新进展，引入了一种利用4D成像雷达传感器进行3D占据预测的新方法RadarOcc。该方法通过处理4D雷达张量而绕过了稀疏雷达点云的限制，保留了关键场景细节。RadarOcc通过多普勒频率描述符、侧瓣感知空间稀疏化和范围自注意机制解决了相关挑战。在基准测试中，RadarOcc在基于雷达的3D占据预测方面表现最先进。同时提供了4D雷达在恶劣天气条件下的卓越性能的定性证据，并探讨了关键管道组件的影响。