AF-RLIO：面向挑战环境的雷达-LiDAR-惯性信息自适应融合
软件工程
2025-07-25 v1
摘要
在机器人导航中，维持在复杂和动态环境中的精确姿态估计和导航至关重要。然而，环境挑战如烟雾、隧道和恶劣天气会显著降低单一传感器系统（如LiDAR或GPS）的性能，严重影响自主机器人整体稳定性和安全性。为此，我们提出AF-RLIO：一种自适应融合方法，将4D毫米波雷达、LiDAR、惯性测量单元（IMU）和GPS整合在一起，利用这些传感器的互补优势，在复杂环境中实现稳健的里程计估计。我们的方法包含三个关键模块。首先，预处理模块利用雷达数据帮助LiDAR去除动态点，并确定环境条件何时恶化以影响LiDAR。其次，动态感知多模态里程计选择适当的点云数据进行扫描到地图的配准，并紧密地将其与IMU集成到迭代误差状态卡尔曼滤波中。最后，因子图优化模块在里程计和GPS数据之间平衡权重，构建姿态图进行优化。该方法经过在数据集和实际机器人环境中的评估，展示了在烟雾和隧道等挑战条件下的有效性和优势。
引用
@article{arxiv.2507.18316,
title = {YATE: The Role of Test Repair in LLM-Based Unit Test Generation},
author = {Michael Konstantinou and Renzo Degiovanni and Jie M. Zhang and Mark Harman and Mike Papadakis},
journal= {arXiv preprint arXiv:2507.18316},
year = {2025}
}
备注
12 pages, 4 figures