基于高斯溅射的雷达-惯性室内定位与测图
机器人学
2026-04-16 v1 计算机视觉与模式识别
摘要
雷达相较于视觉和激光 simultaneous localization and mapping（SLAM）更不受恶劣天气和光照条件影响。然而，大多数雷达 SLAM 流程仍严重依赖帧间 odometry，导致漂移显著。虽然回环检测可纠正长期误差，但需要重访位置且依赖稳健的位置识别。相比之下，视觉 odometry 方法通常利用 bundle adjustment（BA）在局部窗口内联合优化姿态与地图。然而，雷达等价的 BA 公式仍 largely 未被探索。我们提出了首个由高斯溅射（GS）支持的雷达 BA 框架，这是一种稠密且可微的场景表示。该方法联合优化雷达传感器姿态与场景几何，利用完整的 range-azimuth-Doppler 数据，将多帧 BA 的优势首次引入雷达系统。当集成到现有的雷达-惯性 odometry 前端时，我们的方法显著减少姿态漂移并提高鲁棒性。在多个室内场景中，我们的雷达 BA 相较于先前的雷达-惯性 odometry 获得了显著提升，平均绝对平移误差降低 90%，平均绝对旋转误差降低 80%。
引用
@article{arxiv.2604.13492,
title = {RadarSplat-RIO: Indoor Radar-Inertial Odometry with Gaussian Splatting-Based Radar Bundle Adjustment},
author = {Pou-Chun Kung and Yuan Tian and Zhengqin Li and Yue Liu and Eric Whitmire and Wolf Kienzle and Hrvoje Benko},
journal= {arXiv preprint arXiv:2604.13492},
year = {2026}
}