4D雷达视觉里程计网络

精度逼近64线激光雷达

针对4D雷达点云稀疏、跨模态融合不足及动态物体干扰问题，提出多尺度特征提取与自适应融合的里程计网络，性能超越现有学习方法。

Guirong, Zhuoins · Shouyi, Lu · Lu, Xiong · Huanyu, Zhouins · Zheng, Lianqing · Mingyu, Zhou

IEEE Transactions on Intelligent Vehicles 2023

技术优势

动态干扰少

速度引导的点置信度估计模块度量局部运动模式，降低动态物体和离群点的影响，并在位姿优化过程中持续更新。

稀疏点云可用

Radar-PointNet++ 多尺度特征提取网络充分考虑 4D 雷达点云的丰富信息，实现对稀疏点云的细粒度学习。

应用场景

• 自动驾驶定位：在稀疏雷达点云和动态场景下可靠估计车辆位姿，用于自动驾驶定位。
• 移动机器人导航：利用4D雷达和相机融合提供精准里程计，支持移动机器人在复杂环境中的导航。
• 机器人状态估计：通过多模态融合和动态物体抑制，提升机器人状态估计的鲁棒性和精度。
• 无人机定位：在GPS受限环境下，融合4D雷达与视觉信息实现无人机的自主定位。
• 智能交通系统：为智能交通中的车辆提供实时、鲁棒的位姿信息，支撑协同感知与规划。