Super4DR：基于 4D 雷达的自监督里程计与高斯地图优化
机器人学
2025-12-11 v1
摘要
常规的视觉或激光 LiDAR SLAM 系统在光照不足或恶劣天气条件下常常难以实现。虽然 4D 雷达适用于此类环境，但其稀疏且噪声的点云会阻碍精确的里程计估计，同时雷达地图也容易呈现模糊和不完整的结构。因此，我们提出 Super4DR，一个以 4D 雷达为中心的学习型里程计和高斯地图优化框架。首先，我们设计了一种基于聚类的里程计网络，通过聚类雷达点获取的目标级线索进行帧间匹配，同时引入分层自监督机制通过时空一致性、知识迁移和特征对比来克服离群值。其次，我们提出使用 3D 高斯作为中间表示，结合雷达专用的增长策略、选择性分离和多视角正则化，以恢复基于图像纹理不清晰或未检测区域。实验表明，Super4DR 在先前自监督方法中实现了 67% 的性能提升，几乎匹配监督式里程计，并缩小了与 LiDAR 地图质量的差距，同时实现了多模态图像渲染。
引用
@article{arxiv.2512.09608,
title = {Super4DR: 4D Radar-centric Self-supervised Odometry and Gaussian-based Map Optimization},
author = {Zhiheng Li and Weihua Wang and Qiang Shen and Yichen Zhao and Zheng Fang},
journal= {arXiv preprint arXiv:2512.09608},
year = {2025}
}
备注
17 pages, 20 figures