研究动机: 该论文旨在解决在特征贫乏环境中4D雷达扫描配准(registration)的挑战性问题。研究背景是：
- 汽车4D成像雷达(4D imaging radar)适用于多尘和低能见度环境，但扫描稀疏性以及噪声和多径反射(multipath reflections)导致的虚假检测使得扫描配准困难。
- 在特征贫乏的露天矿(open-pit mines)等环境中，缺乏显著地标进一步降低了对应点匹配(correspondence)的可靠性。
核心方法: 论文采用了一种结合图论和迭代最近点(Iterative Closest Points, ICP)框架的方法：
- 将基于图的成对一致性最大化(Pairwise Consistency Maximization, PCM)作为离群点剔除(outlier rejection)步骤，集成到ICP循环中。
- 提出了一种适用于雷达的、成对距离不变(pairwise distance-invariant)的评分函数，该函数结合了源自雷达测量模型(radar measurement model)的各向异性(anisotropic)、逐检测(per-detection)的不确定性(uncertainty)。
- 使用贪心启发式算法(greedy heuristic)在成对一致性图(pairwise consistency graph)中寻找大团(large clique)，以近似求解一致性最大化问题。
核心创新点: 论文的核心创新在于：
- **方法集成创新**：将基于图的PCM离群点剔除机制深度集成到ICP配准循环中，专门针对特征贫乏环境下4D雷达数据配准问题。
- **评分函数创新**：提出了一个**雷达适配的、感知不确定性的成对距离不变评分函数**。其独特性在于：
1. 显式地融入了**各向异性的、逐点检测的不确定性**（来自雷达测量模型），而传统方法常使用简单的欧氏距离残差(Euclidean distance residual)。
2. 该函数设计为距离不变，更适合处理雷达在特征贫乏环境下的数据特性。
- **问题求解创新**：采用贪心启发式算法高效求解图上的最大团问题，使方法适合在线(online)使用，平衡了精度与计算效率。
总体贡献: 论文对该领域（雷达点云配准，特别是恶劣环境下的定位）的整体贡献是：
- **提出了一种鲁棒的4D雷达配准框架**：通过在ICP中集成基于图论的PCM离群点剔除，显著提升了在初始对应点集被严重污染时的配准鲁棒性(robustness)。
- **提供了有效的性能验证**：在真实的露天矿4D雷达数据集上评估，相比未使用PCM的广义ICP(Generalized ICP, GICP)基线，该方法在1米段上将相对位姿误差(Relative Position Error, RPE)降低了29.6%，在100米段上最高降低了55%。
- **推动了实用化进程**：所提方法旨在集成到定位管道(localization pipelines)中，且由于其贪心启发式设计，计算高效，适合在线应用，为自动驾驶在恶劣环境下的可靠定位提供了有前景的解决方案。