LiDAR Teach, Radar Repeat：鲁棒的跨模态在退化和变化环境中的导航
机器人学
2026-05-05 v1
摘要
长期自主性需要在受动态和静态变化以及恶劣天气条件影响的环境中实现稳健的导航。Teach-and-Repeat (T\&R) 导航提供了可靠且经济的解决方案，通过避免一致的全局映射需求来实现这一点；然而，现有的 T\&R 系统缺乏系统性地应对各种环境变化（如天气退化、短暂动态和结构变化）的方案。本工作提出了 LTR，即首个跨模态、跨平台的 LiDAR-Teach-and-Radar-Repeat 系统，系统性地解决了这些挑战。LTR 在教学阶段利用 LiDAR 捕获正常条件下精确的结构信息，并在重复阶段利用 4D 毫米波雷达实现对环境退化的稳健操作。为将稀疏且嘈杂的前视 4D 雷达数据与密集且准确的全向 3D LiDAR 数据对齐，我们引入了 Cross-Modal Registration (CMR) 网络，联合利用基于 Doppler 的运动先验和 LiDAR 水平与雷达功率密度的物理定律。此外，我们提出了一种自适应微调策略，基于局化误差逐步更新 CMR 网络，实现对静态环境变化的长期适应性，而无需真实标签。我们在公开数据集上证明了所提出 CMR 网络实现了跨模态注册的领先性能。随后，我们在四个机器人平台上进行了大规模、长期部署（6 个月，40+公里），包括包括夜间烟雾等具有挑战性的条件。实验结果和消融研究表明，系统在各种环境干扰下都能实现厘米级精度和强鲁棒性，显著优于现有方法。
关键词
引用
@article{arxiv.2605.02809,
title = {LiDAR Teach, Radar Repeat: Robust Cross-Modal Navigation in Degenerate and Varying Environments},
author = {Renxiang Xiao and Yichen Chen and Yuanfan Zhang and Qianyi Shao and Yushuai Chen and Yuxuan Han and Yunjiang Lou and Liang Hu},
journal= {arXiv preprint arXiv:2605.02809},
year = {2026}
}
备注
Accepted by IEEE Transactions on Robotics