面向深度 4D 雷达里程计的可微分神经优化迭代——DNOI-4DRO
计算机视觉与模式识别
2025-11-11 v2 人工智能
机器人学
摘要
本文提出一种新颖的学习-优化结合 4D 雷达里程计模型，称为 DNOI-4DRO。该模型无缝集成了传统几何优化与端到端神经网络训练，利用一种创新的可微分神经优化迭代算子。在此框架下，首先使用神经网络估计点-wise 运动流，然后基于点运动与姿态在 3D 空间中的关系构建代价函数，最后通过高斯-牛顿更新法 refine radar pose。此外，我们设计了双流 4D 雷达主干网络，将多尺度几何特征和基于聚类的类别感知特征整合，以增强稀疏 4D 雷达点云的表征。在 VoD 和 Snail-Radar 数据集上进行的大量实验表明，我们的方法在性能上优于最近的经典方法和基于学习的方法。值得注意的是，我们的方法甚至能够达到使用 LiDAR 点云作为输入的 A-LOAM 进行映射优化的性能。我们的模型和代码将公开释放。
引用
@article{arxiv.2505.12310,
title = {DNOI-4DRO: Deep 4D Radar Odometry with Differentiable Neural-Optimization Iterations},
author = {Shouyi Lu and Huanyu Zhou and Guirong Zhuo and Xiao Tang},
journal= {arXiv preprint arXiv:2505.12310},
year = {2025}
}
备注
9 pages,5 figures