RLPR：基于两阶段非对称跨模态对齐的数据驱动雷达到激光雷达地点识别，用于自动驾驶
计算机视觉与模式识别
2026-03-10 v1
摘要
全天候自动驾驶对可靠的跨场景定位至关重要。虽然激光雷达地点识别在此任务中得到广泛部署，但在恶劣天气下性能会下降。相比之下，雷达方法虽然具备天气鲁棒性，却因雷达图的普遍不可得性而受限。为弥合这一差距，雷达到激光雷达地点识别通过在现有激光雷达地图中定位雷达扫描图，受到日益关注。然而，在跨模态之间提取具有判别性和可泛化性的特征仍然具有挑战性，且受限于大规模配对训练数据的稀缺以及雷达类型之间的信号异构性。为此，本文提出了RLPR——一个兼容单芯片雷达、扫描雷达和4D雷达的稳健雷达到激光雷达地点识别框架。我们首先设计双流网络，以抽象化传感器特定信号属性（如多普勒频率或RCS）为特征。随后，基于我们观察到的雷达与激光雷达之间的任务特定非对称性，引入两阶段非对称跨模态对齐（TACMA）策略，将预训练的雷达分支作为判别锚点以引导对齐过程。实验在四个数据集上表明，RLPR在实现最先进的识别精度方面取得佳绩，同时展现出强大的零样本泛化能力。
引用
@article{arxiv.2603.07920,
title = {RLPR: Radar-to-LiDAR Place Recognition via Two-Stage Asymmetric Cross-Modal Alignment for Autonomous Driving},
author = {Zhangshuo Qi and Jingyi Xu and Luqi Cheng and Shichen Wen and Guangming Xiong},
journal= {arXiv preprint arXiv:2603.07920},
year = {2026}
}