- 现有**雷达里程计(radar odometry)**研究主要集中于城市平坦环境，在**越野环境(off-road)**中的性能尚未充分理解
- 越野场景中车辆存在**全SE(3)运动**、**地形诱导的地面回波(terrain-induced ground returns)**以及**稀疏或不稳定特征(sparse/unstable features)**，对雷达里程计构成新挑战
- 研究背景：雷达在非结构化环境中具有对天气、光照和空中颗粒物鲁棒的优势，但缺乏针对越野条件的系统评估和解决方案
- 提出两个简单基线：**Radar-KISSICP**，通过运动补偿生成**3D感知雷达点云(3D-aware radar pointclouds)**，并应用**迭代最近点(Iterative Closest Point, ICP)** 进行扫描匹配
- 提出**Radar-IMU**，利用**IMU预积分(IMU preintegration)** 提供姿态先验，稳定扫描匹配过程，减少运动失真
- 在**Great Outdoors (GO) 数据集**上进行实验，评估越野路线上的轨迹估计性能
- **首次系统性研究**：专门针对越野环境下的雷达里程计，识别并分析了全SE(3)运动、地面回波和稀疏特征等独特挑战
- **简洁有效的基线**：提出两种轻量级方法（Radar-KISSICP和Radar-IMU），无需复杂网络结构即可在挑战性路线上改善轨迹估计
- **基准意义**：为越野雷达里程计的后续研究提供了可复现的参考点，填补了现有城市导向方法在越野场景下的空白
- 揭示了雷达里程计在越野环境中面临的**关键挑战(SE(3)运动、地面回波、特征稀疏)**，为该领域未来工作指明方向
- 提出的两个基线方法在**GO数据集**上有效提升了轨迹估计精度，证实了运动补偿和IMU辅助的价值
- 为**越野机器人(off-road robotics)** 中的**雷达定位(radar localization)** 提供了实用的起点和比较基准，促进后续研究