TDFANet：使用轨迹引导可变形特征聚合编码序列4D雷达点云以实现地点识别
机器人学
2025-04-08 v1
摘要
地点识别对于自动驾驶车辆和移动机器人实现闭环或全局定位至关重要。尽管近年来使用2D相机或3D LiDAR的地点识别取得了进展，但如何将4D雷达用于地点识别仍有待探索——这是一种因其对恶劣天气和光照条件的鲁棒性而日益流行的传感器。与LiDAR点云相比，雷达数据极其稀疏、噪声更大且分辨率低得多，这妨碍了其有效表示场景的能力，对基于4D雷达的地点识别构成了重大挑战。本研究通过利用序列4D雷达扫描的多模态信息，并有效提取和聚合时空特征来解决这些挑战。我们的方法遵循一个严谨的流程，包括：（1）基于速度属性进行动态点去除与自车速度估计；（2）对精炼后的点云进行鸟瞰图（BEV）特征编码；（3）利用由自车速度计算的BEV特征图运动轨迹进行特征对齐；（4）提取并聚合对齐后的BEV特征图的多尺度时空特征。真实世界实验结果验证了所提方法的可行性，并证明了其在处理动态环境方面的鲁棒性。源代码已公开。
引用
@article{arxiv.2504.05103,
title = {TDFANet: Encoding Sequential 4D Radar Point Clouds Using Trajectory-Guided Deformable Feature Aggregation for Place Recognition},
author = {Shouyi Lu and Guirong Zhuo and Haitao Wang and Quan Zhou and Huanyu Zhou and Renbo Huang and Minqing Huang and Lianqing Zheng and Qiang Shu},
journal= {arXiv preprint arXiv:2504.05103},
year = {2025}
}
备注
8 pages, 4 figures. Accepted to ICRA 2025