核心发现
方法论
本研究提出了两种基线方法：雷达-KISSICP和雷达-IMU，以解决雷达测距在越野环境中的挑战。雷达-KISSICP通过运动补偿生成3D感知的雷达点云，而雷达-IMU利用IMU预积分稳定扫描匹配。这些方法在Great Outdoors (GO) 数据集上进行了验证，显示出在复杂地形中的轨迹估计改进。
关键结果
- 在GO数据集的实验中，雷达-KISSICP和雷达-IMU在复杂的越野路线中显著提高了轨迹估计精度。例如，在Route 3中，雷达-IMU的绝对轨迹误差为15.12%，相比之下，CFEAR的误差为61.08%。
- 雷达-IMU在处理地形不连续性和严重的俯仰/滚动情况下表现出色，尤其是在Route 3的沟壑穿越中，成功恢复了垂直位移。
- 雷达-KISSICP通过减少平面假设的影响，降低了绝对轨迹误差，但由于雷达点云稀疏，导致最近邻关联不稳定。
研究意义
本研究揭示了雷达测距在越野环境中的潜力和挑战，尤其是在复杂地形下。通过引入雷达-KISSICP和雷达-IMU，研究为未来的越野机器人定位系统提供了参考。这些方法不仅提高了轨迹估计的精度，还展示了惯性先验在复杂地形中的重要性，为未来的多传感器融合和更鲁棒的越野定位管道奠定了基础。
技术贡献
技术贡献包括引入运动补偿和IMU预积分以解决雷达测距在越野环境中的挑战。雷达-KISSICP通过生成3D感知的雷达点云，减少了平面假设的影响，而雷达-IMU通过提供垂直位移感知，改善了轨迹恢复能力。这些方法展示了如何在不平整地形中提高雷达测距的鲁棒性。
新颖性
本研究首次在越野环境中系统评估雷达测距的能力，提出了雷达-KISSICP和雷达-IMU两种新方法。这些方法通过运动补偿和IMU整合，解决了传统雷达测距在复杂地形中的局限性，展示了在非结构化环境中实现鲁棒定位的新途径。
局限性
- 雷达-KISSICP由于雷达点云稀疏，导致最近邻关联不稳定，可能在某些情况下影响精度。
- 雷达-IMU虽然改善了垂直位移感知，但在没有偏差校正的情况下，仍可能面临惯性漂移问题。
- 在极端复杂地形中，雷达测距可能仍面临挑战，需要进一步的传感器融合。
未来方向
未来工作可以探索更复杂的多传感器融合技术，如结合3D雷达和视觉/LWIR相机，以提高越野环境中的定位精度。此外，研究可以进一步优化IMU整合方法，减少惯性漂移的影响，并开发更智能的特征选择算法，以应对雷达点云稀疏的问题。
AI 总览摘要
在自动驾驶和机器人领域，精确的定位系统是实现自主导航的关键。然而，传统的摄像头和LiDAR传感器在恶劣天气和复杂地形中表现不佳。毫米波雷达因其穿透性和长距离测量能力，成为一种有吸引力的替代方案。
本研究探讨了雷达测距在越野环境中的潜力，提出了两种基线方法：雷达-KISSICP和雷达-IMU。雷达-KISSICP通过运动补偿生成3D感知的雷达点云，而雷达-IMU利用IMU预积分稳定扫描匹配。这些方法在Great Outdoors (GO) 数据集上进行了验证，显示出在复杂地形中的轨迹估计改进。
实验结果表明，雷达-KISSICP和雷达-IMU在复杂的越野路线中显著提高了轨迹估计精度。例如，在Route 3中，雷达-IMU的绝对轨迹误差为15.12%，相比之下，CFEAR的误差为61.08%。这些结果展示了惯性先验在复杂地形中的重要性。
然而，雷达测距在越野环境中仍面临挑战，如雷达点云稀疏和惯性漂移问题。未来工作可以探索更复杂的多传感器融合技术，以提高越野环境中的定位精度。
本研究为未来的越野机器人定位系统提供了参考，展示了如何在非结构化环境中实现鲁棒定位。通过引入运动补偿和IMU整合，这些方法为未来的多传感器融合和更鲁棒的越野定位管道奠定了基础。
深度分析
研究背景
在自动驾驶和机器人领域，定位系统是实现自主导航的核心技术。传统上，摄像头和LiDAR传感器是主流的测距工具，但它们在恶劣天气和复杂地形中表现不佳。毫米波雷达因其长波长和多普勒测量能力，成为一种有吸引力的替代方案。近年来，雷达测距技术在城市和汽车驾驶场景中取得了显著进展，如CFEAR和ORORA方法在Oxford RobotCar和MulRan等基准数据集上实现了接近LiDAR水平的定位性能。然而，这些数据集主要限制车辆运动在平面轨迹上，无法全面反映越野环境的复杂性。
核心问题
雷达测距在越野环境中的性能尚不清楚，尤其是在地形崎岖、标志物稀少或不稳定的情况下。越野环境要求完整的SE(3)运动估计，由于地形起伏和稳定标志物的频繁丢失，这些条件暴露了雷达特有的失效模式：地面回波成为干扰而非异常值，ICP管道中错误的对应关系积累，稀疏的雷达点云导致配准不良。解决这些问题对于实现鲁棒的越野定位至关重要。
核心创新
本研究提出了两种创新方法：
- �� 雷达-KISSICP：基于KISS-ICP，加入轻量级运动补偿步骤，生成稀疏但3D感知的雷达点云，减少了平面假设的影响。
- �� 雷达-IMU：利用IMU预积分提供雷达扫描匹配的初始猜测，增强了垂直位移感知，减少了错误地图特征，提高了从漂移中恢复的能力。这些方法在GO数据集上进行了验证，展示了在复杂地形中的轨迹估计改进。
方法详解
- �� 雷达-KISSICP：基于KISS-ICP，加入轻量级运动补偿步骤，生成稀疏但3D感知的雷达点云。输入为雷达特征点，过程包括旋转补偿，输出为3D感知的点云。
- �� 雷达-IMU：利用IMU预积分提供雷达扫描匹配的初始猜测。输入为雷达扫描和IMU数据，过程包括IMU数据整合，输出为稳定的轨迹估计。
- �� 实验在GO数据集上进行，评估了这些方法在复杂地形中的性能。
实验设计
实验在GO数据集上进行，评估了雷达-KISSICP和雷达-IMU在复杂地形中的性能。数据集包括森林小径、沟壑和积雪地形，具有频繁的俯仰/滚动激励。实验设计包括对比CFEAR和ORORA方法，使用KITTI和EVO标准的里程计指标进行评估。关键超参数包括运动补偿和IMU预积分的设置。
结果分析
实验结果表明，雷达-KISSICP和雷达-IMU在复杂的越野路线中显著提高了轨迹估计精度。例如，在Route 3中，雷达-IMU的绝对轨迹误差为15.12%，相比之下，CFEAR的误差为61.08%。雷达-IMU在处理地形不连续性和严重的俯仰/滚动情况下表现出色，尤其是在Route 3的沟壑穿越中，成功恢复了垂直位移。
应用场景
这些方法可以直接应用于越野机器人导航和自动驾驶车辆的定位系统，特别是在复杂地形和恶劣天气条件下。前提是需要配备毫米波雷达和IMU传感器。这些技术的应用将显著提高越野环境中的自主导航能力，推动相关行业的发展。
局限与展望
尽管雷达-KISSICP和雷达-IMU在越野环境中表现出色，但仍存在一些局限性。雷达-KISSICP由于雷达点云稀疏，导致最近邻关联不稳定，可能在某些情况下影响精度。雷达-IMU虽然改善了垂直位移感知，但在没有偏差校正的情况下，仍可能面临惯性漂移问题。此外，在极端复杂地形中，雷达测距可能仍面临挑战，需要进一步的传感器融合。未来的研究可以探索更复杂的多传感器融合技术，以提高越野环境中的定位精度。
通俗解读 非专业人士也能看懂
想象你在一个大森林里开车，周围都是高大的树木和不平整的地面。传统的GPS可能因为信号不好而失效，而摄像头和LiDAR在大雾或暴雨中也不太可靠。这时候，雷达就像是你的超级感应器，它能穿透雾气和雨水，帮助你在森林中找到正确的方向。
雷达-KISSICP和雷达-IMU就像是为你的超级感应器加装了两个强大的助手。雷达-KISSICP就像是一个聪明的导航员，它能根据地形的变化调整你的路线，让你在崎岖的道路上也能保持平稳。雷达-IMU则像是一个敏锐的侦察兵，它能感知到地面的起伏，帮助你在复杂的地形中保持正确的方向。
这些技术的结合，让你在森林中驾驶时，不再担心迷路或陷入困境。即使遇到沟壑或陡坡，它们也能帮助你找到最佳的行驶路线，让你的旅程更加安全和顺利。
简单解释 像给14岁少年讲一样
嘿，小伙伴！想象一下你在玩一个超级酷的越野赛车游戏。你要在一个大森林里开车，那里有很多高大的树木和不平整的地面。传统的GPS可能因为信号不好而失效，而摄像头和LiDAR在大雾或暴雨中也不太可靠。这时候，雷达就像是你的超级感应器，它能穿透雾气和雨水，帮助你在森林中找到正确的方向。
雷达-KISSICP和雷达-IMU就像是为你的超级感应器加装了两个强大的助手。雷达-KISSICP就像是一个聪明的导航员，它能根据地形的变化调整你的路线，让你在崎岖的道路上也能保持平稳。雷达-IMU则像是一个敏锐的侦察兵，它能感知到地面的起伏，帮助你在复杂的地形中保持正确的方向。
这些技术的结合，让你在森林中驾驶时，不再担心迷路或陷入困境。即使遇到沟壑或陡坡，它们也能帮助你找到最佳的行驶路线，让你的旅程更加安全和顺利。是不是很酷？
术语表
雷达测距 (Radar Odometry)
雷达测距是利用雷达传感器测量物体相对运动的技术，尤其在恶劣天气和复杂地形中表现出色。
在论文中用于评估雷达在越野环境中的定位能力。
运动补偿 (Motion Compensation)
运动补偿是通过调整传感器数据来抵消运动影响的技术，确保数据的准确性。
在雷达-KISSICP中用于生成3D感知的雷达点云。
IMU预积分 (IMU Preintegration)
IMU预积分是利用惯性测量单元数据进行轨迹估计的技术，提供初始运动猜测。
在雷达-IMU中用于稳定扫描匹配。
绝对轨迹误差 (Absolute Trajectory Error, ATE)
绝对轨迹误差是评估轨迹估计精度的指标，表示估计轨迹与真实轨迹之间的偏差。
用于评估雷达-KISSICP和雷达-IMU的性能。
CFEAR
CFEAR是一种基于特征提取的雷达测距方法，适用于城市环境中的定位。
作为对比基线方法之一。
ORORA
ORORA是一种鲁棒的雷达测距方法，能够在存在大量异常值的情况下保持性能。
作为对比基线方法之一。
稀疏点云 (Sparse Pointcloud)
稀疏点云是指点云数据中点的密度较低，可能导致配准不良。
在雷达-KISSICP中导致最近邻关联不稳定。
惯性漂移 (Inertial Drift)
惯性漂移是由于惯性测量误差积累导致的轨迹估计偏差。
在雷达-IMU中可能影响精度。
非结构化环境 (Unstructured Environment)
非结构化环境是指地形复杂多变，缺乏明显标志物的环境。
雷达测距在此环境中面临挑战。
多传感器融合 (Multi-Sensor Fusion)
多传感器融合是结合多种传感器数据以提高系统性能的技术。
未来工作中探索的方向。
开放问题 这项研究留下的未解疑问
- 1 雷达测距在极端复杂地形中的性能仍需进一步研究，尤其是在地形起伏剧烈且标志物稀少的情况下。当前方法在这些场景中可能面临挑战，需要更复杂的多传感器融合技术。
- 2 如何有效地结合3D雷达和视觉/LWIR相机，以提高越野环境中的定位精度，仍是一个开放问题。现有方法在处理雷达点云稀疏和惯性漂移方面存在局限。
- 3 雷达-KISSICP和雷达-IMU在处理地形不连续性和严重的俯仰/滚动情况下表现出色，但在没有偏差校正的情况下，IMU整合可能面临惯性漂移问题。
- 4 在越野环境中，如何优化IMU整合方法以减少惯性漂移的影响，是未来研究的重要方向。现有方法在这方面的性能仍有待提高。
- 5 雷达测距在恶劣天气条件下的性能表现如何，尤其是在大雾、暴雨等极端天气条件下，仍需进一步验证。
应用场景
近期应用
越野机器人导航
雷达-KISSICP和雷达-IMU可以直接应用于越野机器人导航系统，特别是在复杂地形和恶劣天气条件下。
自动驾驶车辆定位
这些技术可以用于自动驾驶车辆的定位系统，提高在复杂地形中的自主导航能力。
无人机导航
利用雷达和IMU的结合技术，可以增强无人机在复杂环境中的导航能力，特别是在地形起伏较大的区域。
远期愿景
全自动越野车辆
通过结合多传感器融合技术，实现全自动越野车辆的自主导航，克服复杂地形和恶劣天气的挑战。
智能城市基础设施
利用雷达测距技术，增强智能城市基础设施的感知能力，提高城市交通系统的安全性和效率。
原文摘要
Radar offers unique advantages for localization in unstructured environments, including robustness to weather, lighting, and airborne particulates. While most prior work has studied radar odometry in urban, largely planar settings, its performance in off-road environments remains less understood. In this paper, we investigate the potential of radar for off-road odometry estimation and identify key challenges that arise from full $SE(3)$ vehicle motion, terrain-induced ground returns, and sparse or unstable features. To address these issues, we introduce two simple baselines: Radar-KISSICP, which applies motion compensation to generate 3D-aware radar pointclouds, and Radar-IMU, which leverages IMU preintegration to stabilize scan matching. Experiments on the Great Outdoors (GO) dataset demonstrate that these baselines improve trajectory estimation in challenging routes and provide a reference point for future development of radar odometry in off-road robotics.
参考文献 (20)
Lidar-Level Localization With Radar? The CFEAR Approach to Accurate, Fast, and Robust Large-Scale Radar Odometry in Diverse Environments
Daniel Adolfsson, Martin Magnusson, Anas W. Alhashimi 等
KISS-ICP: In Defense of Point-to-Point ICP – Simple, Accurate, and Robust Registration If Done the Right Way
Ignacio Vizzo, Tiziano Guadagnino, Benedikt Mersch 等
Vision meets robotics: The KITTI dataset
Andreas Geiger, Philip Lenz, C. Stiller 等
Object recognition from local scale-invariant features
D. Lowe
Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights
Daniil Lisus, Johann Laconte, Keenan Burnett 等
A New Wave in Robotics: Survey on Recent MmWave Radar Applications in Robotics
Kyle Harlow, Hyesu Jang, T. Barfoot 等
Under the Radar: Learning to Predict Robust Keypoints for Odometry Estimation and Metric Localisation in Radar
Dan Barnes, I. Posner
Boreas: A multi-season autonomous driving dataset
Keenan Burnett, David J. Yoon, Yuchen Wu 等
ORB: An efficient alternative to SIFT or SURF
Ethan Rublee, V. Rabaud, K. Konolige 等
The Oxford Radar RobotCar Dataset: A Radar Extension to the Oxford RobotCar Dataset
Dan Barnes, Matthew Gadd, P. Murcutt 等
Radar Odometry Combining Probabilistic Estimation and Unsupervised Feature Learning
Keenan Burnett, David J. Yoon, Angela P. Schoellig 等
Precise Ego-Motion Estimation with Millimeter-Wave Radar Under Diverse and Challenging Conditions
Sarah H. Cen, P. Newman
A Normal Distribution Transform-Based Radar Odometry Designed For Scanning and Automotive Radars
Pou-Chun Kung, C. Wang, Wen-Chieh Lin
GO: The Great Outdoors Multimodal Dataset
Peng Jiang, Kasi Viswanath, Akhil Nagariya 等
Instantaneous ego-motion estimation using Doppler radar
Dominik Kellner, M. Barjenbruch, J. Klappstein 等
MulRan: Multimodal Range Dataset for Urban Place Recognition
Giseop Kim, Yeong-Sang Park, Younghun Cho 等
Are Doppler Velocity Measurements Useful for Spinning Radar Odometry?
Daniil Lisus, Keenan Burnett, David J. Yoon 等
Parallel Maximum Clique Algorithms with Applications to Network Analysis
Ryan A. Rossi, D. Gleich, A. Gebremedhin