- 了解各个传感器的成像原理，知其所以然，同时了解每种传感器的对比及优缺点，为什么要用这几种融合，可以通过去看一些德州仪器的雷达原理视频（b站），雷达工作手册等。
- 先广而后深：了解经典的融合网络，去看一些融合的综述，知道融合的经典方案，各自的优势，难点，评价指标等基本的概况，这里推荐：MmWave Radar and Vision Fusion for Object Detection in Autonomous Driving: A Review
- 深入某个方向：选择：前、中、后融合中感兴趣的方向，在这个方向找到一些经典的方法，复现，尝试改进，了解经典方法的局限性，经典之所以是经典，就代表了一类方法的发展范式，是里程碑式的，这样奠定你的研究基调和思想。
- 追踪前沿：综述并不是最新的，了解一个方向的前沿需要大量阅读相关的好文章，才能与时俱进，知道学术界业界的方向，这时候需要大量寻找最新的论文，找到自己的研究兴趣所在，关注博主，跟踪牛人学术动态，常常带有自己的思考。
- 对于融合来说，尤其是RV融合，我在学习前期常常处在一种，“高不成低不就”的状态，既对毫米波雷达的复杂原理模糊不清，又对深度学习的融合方式和前沿做的不够纵深，相信也是也是做RV融合人的感觉，如果只了解毫米波雷达的“八股”，比如只停留在知道毫米波雷达稀疏，却不知其原因上，未来的发展线路也就会受限。
- 毫米波雷达由于其复杂的成像原理，需要比Lidar-Camera融合更迫切地了解其工作方式，目前在数据呈现上，既有RAD数据集，又有Point-wise的数据集，数据的呈现方式多种多样，选择很多。同时，主流的自动驾驶数据集中对radar的重视程度仍然不够，也没有能够提供point-wise的标记，还有4D毫米波的兴起，还有很多挑战需要解决。
希望能够将自己的心得提供给大家，让大家更平坦一些。
推荐一些自己的总结，希望给大家能够带来一些“捷径”：
Naca yu：毫米波雷达在检测、分割、深度估计等多个方向的近期工作及简要介绍
Naca yu：直播内容分享：相机与毫米波雷达融合的目标检测方法前沿进展
Naca yu：自动驾驶中雷达与相机融合的目标检测工作（多模态目标检测）整理