该论文旨在解决雷达-惯性里程计(radar-inertial odometry)中传统方法依赖手工信号处理流程的问题。研究背景是：现有方法通常基于处理后的点云(point clouds)进行估计，这会导致原始毫米波雷达(mmWave radar) IQ信号中的潜在信息被丢弃，且需要精细的参数调优，尤其在稀疏点云场景下性能会下降。
论文提出了UNRIO系统，其核心方法包括：
- 使用基于GRT架构的Transformer神经网络，直接处理完整的4维频谱立方体(4-D spectral cube)来预测本体坐标系(body-frame)速度。
- 网络以两种模式输出：直接线性速度估计和按角度分箱(per-anglebin)的多普勒速度图(Doppler velocity map)。
- 采用三阶段训练策略：
1. 基于激光雷达(LiDAR)投影深度的几何预训练(geometric pretraining)。
2. 速度或多普勒(Doppler)微调(fine-tuning)。
3. 通过负对数似然损失(negative log-likelihood loss)进行不确定性校准(uncertainty calibration)，使网络能同时输出预测值及其不确定性估计。
- 将不确定性估计传播到融合雷达速度因子(radar velocity factors)与惯性测量单元(IMU)预积分(preintegration)测量的滑动窗口姿态图(sliding-window pose graph)中。
论文的核心创新点在于：
- **端到端原始信号学习**：首次提出直接从原始毫米波雷达IQ信号（而非处理后的点云）学习估计自车速度(ego-velocity)，避免了手工信号处理管道造成的信息丢失和调参负担。
- **不确定性感知的速度学习框架**：设计了一个集成了不确定性校准的三阶段训练流程，使网络能够输出具有可靠置信度的速度预测，这是传统方法所不具备的。
- **双模式速度输出与融合**：网络同时输出直接线性速度估计和细粒度的按角度分箱多普勒速度图，为后续的姿态图优化提供了更丰富、更鲁棒的速度约束，尤其在训练中未见的侧向运动(Lateral-motion)场景下优势显著。
论文对该领域的总体贡献是：
- 提出了UNRIO，一个不确定性感知的雷达-惯性里程计系统，它通过端到端学习原始雷达频谱，实现了更优的速度估计，特别是在点云稀疏的挑战性场景（如侧向运动）中，性能显著超越基于传统数字信号处理(DSP)的基线方法。
- 在公开的IQ1M数据集上进行了全面的训练与评估，证明了该方法在多种室内环境下的有效性和鲁棒性，在大多数序列上取得了最低的相对位姿误差(relative pose error)。
- 为雷达里程计领域提供了一种新的范式，即绕过手工特征提取，直接利用深度学习从原始数据中学习具有不确定性度量的运动信息，并成功将其与惯性测量单元(IMU)进行紧耦合融合。