区域提议算法在大多数最先进的两阶段目标检测网络中起着重要作用，通过假设图像中的目标位置来生成候选区域。然而，区域提议算法被认为是大多数两阶段目标检测网络的瓶颈，增加了每张图像的处理时间，导致这些网络无法满足自动驾驶车辆等实时应用的需求。本文介绍了一种基于雷达的实时区域提议算法（RRPN），用于自动驾驶车辆中的目标检测。RRPN通过将雷达检测结果映射到图像坐标系，并为每个映射的雷达检测点生成预定义的锚框来生成目标提议。然后根据目标与车辆的距离对这些锚框进行变换和缩放，以提供更精确的目标提议。我们在新发布的NuScenes数据集[1]上使用Fast R-CNN目标检测网络[2]评估了我们的方法。与选择性搜索目标提议算法[3]相比，我们的模型运行速度提高了100倍以上，同时实现了更高的检测精度和召回率。代码已公开发布在https://github.com/mrnabati/RRPN 。