RINO：基于非迭代估计的精准、鲁棒雷达-惯性里程计
机器人学
2025-12-16 v4
摘要
恶劣天气条件下的里程计估计，如雾、雨、雪，面临重大挑战，因为传统的视觉和激光雷达方法往往性能下降。雷达-惯性里程计（RIO）因其在该类环境中的鲁棒性而成为一种有前景的解决方案。本文提出 RINO，一种以自适应松耦合方式实现的非迭代 RIO 框架。以 ORORA 作为雷达里程计的基线，RINO 引入了若干关键改进，包括关键点提取、运动畸变补偿，以及通过自适应投票机制进行位姿估计。该投票策略在量化雷达模块位姿估计的不确定性的同时，实现了高效的多项式时间优化。估计的不确定性随后被整合到卡尔曼滤波框架内的最大后验（MAP）估计中。与先前的松耦合里程计系统不同，RINO 不仅保留了雷达组件的全局鲁棒配准能力，还在融合过程中动态考虑了每个传感器的实时运行状态。在公开数据集上的实验结果表明，与基线方法相比，RINO 将平移误差和旋转误差分别降低了 1.06% 和 0.09°/100m，从而显著提高了精度。此外，RINO 达到了与最先进方法相当的性能。
引用
@article{arxiv.2411.07699,
title = {RINO: Accurate, Robust Radar-Inertial Odometry with Non-Iterative Estimation},
author = {Shuocheng Yang and Yueming Cao and Shengbo Eben Li and Jianqiang Wang and Shaobing Xu},
journal= {arXiv preprint arXiv:2411.07699},
year = {2025}
}