Raci-Net：恶劣天气下的自车姿态估计

自动驾驶系统高度依赖摄像头、激光雷达和惯性测量单元（IMU）等传感器来感知环境并估计自身运动。在这些传感器中，基于感知的传感器不受恶劣天气和技术故障的保护。虽然现有方法在应对常见技术问题（如旋转错位和断连）方面表现出鲁棒性，但在面对动态环境因素（如天气条件）时常会性能力下降。为此，本研究引入一种新型深度学习运动估计器，通过集成视觉、惯性和毫米波雷达数据，利用各传感器的优势，在包括雪天、雨天以及光照变化的恶劣环境下提高运动估计的准确性和可靠性。该模型采用先进的传感器融合技术，根据当前环境条件动态调整各传感器的贡献，其中雷达在视觉传感器受限的条件下发挥补充作用。本文探讨了基于雷达的运动估计的最新进展，强调雷达在不同天气条件下的鲁棒性使其成为姿态估计系统的宝贵组件，尤其是在视觉传感器受损时。在 Boreas 数据集上的实验结果表明，该模型在明亮和受损环境中均表现出鲁棒性和有效性。