← 返回论文列表

激光雷达教，雷达重复：在退化和变化环境中的鲁棒跨模态导航
LiDAR Teach, Radar Repeat: Robust Cross-Modal Navigation in Degenerate and Varying Environments

作者: Renxiang Xiao, Yichen Chen, Yuanfan Zhang 等8人
arXiv: 2605.02809v1
分类: cs.RO
📝 论文摘要
长期自主导航要求系统在动态与静态变化环境以及恶劣天气条件下实现鲁棒运行。教-复（T\&R）导航通过避免依赖全局一致性地图，提供了一种可靠且成本效益高的解决方案；然而，现有T\&R系统缺乏应对天气退化、瞬态动态变化及结构变更等各类环境变化的系统性方案。本文提出LTR$^2$，这是首个跨模态、跨平台的激光雷达教-复-雷达复系统，能够系统地解决上述挑战。LTR$^2$在教阶段利用激光雷达获取正常条件下的精确结构信息，在复阶段采用4D毫米波雷达实现环境退化条件下的鲁棒运行。为将稀疏且带噪声的前瞻4D雷达数据与稠密精确的全向3D激光雷达数据对齐，我们提出跨模态配准（CMR）网络，该网络联合利用基于多普勒的运动先验以及激光雷达强度与雷达功率密度的物理规律。进一步，我们提出自适应微调策略，基于定位误差增量更新CMR网络，从而在无真值标签条件下实现对静态环境变化的长期适应性。实验表明，所提CMR网络在公开数据集上实现了最先进的跨模态配准性能。随后，我们在三个机器人平台上进行大规模长期部署验证（6个月内超过40公里），涵盖夜间烟雾等挑战性条件。实验结果与消融研究证实，该方法达到厘米级精度，并对多种环境干扰具有强鲁棒性，显著优于现有方法。

📊 核心分析

🎯 研究动机
- 长期自主导航需要在动态/静态变化以及恶劣天气条件下稳健运行，现有**Teach-and-Repeat(T&R)** 系统缺乏系统解决方案应对天气退化、瞬态动态和结构变化等环境变化 - 现有T&R系统无法同时处理多种环境退化，如夜间、烟雾等，且缺乏跨模态、跨平台的统一框架
🔧 核心方法
- 提出**LTR$^2$** 系统，教学阶段使用**LiDAR** 捕获精确结构信息，重复阶段使用**4D毫米波雷达(4D mmWave radar)** 实现退化环境下的稳健导航 - 设计**跨模态配准网络(Cross-Modal Registration, CMR)**，利用基于多普勒(Doppler)的运动先验以及LiDAR强度与雷达功率密度的物理规律，对齐稀疏、有噪声的前向4D雷达与密集、精确的全向3D LiDAR数据 - 提出**自适应微调策略(adaptive fine-tuning strategy)**，基于定位误差增量更新CMR网络，实现无需真实标签的长期适应静态环境变化
💡 核心创新
- **首创性**：首次提出跨模态、跨平台的**LiDAR-Teach-and-Radar-Repeat** 系统，系统性应对天气退化、瞬态动态和结构变化 - **跨模态配准**：创新地结合**多普勒运动先验(Doppler-based motion priors)** 和**物理规律（LiDAR强度与雷达功率密度）** 实现稀疏雷达与密集LiDAR的高精度对齐 - **自适应更新**：提出无需标签的**增量微调策略**，基于定位误差持续适应静态环境变化，突破传统固定配准模型的局限
🏆 总体贡献
- 为长期自主导航领域提供了首个系统性的**跨模态(cross-modal)Teach-and-Repeat** 框架，在退化环境中实现厘米级精度 - 提出的**CMR网络** 在公开数据集上达到最先进的跨模态配准性能，并在三款机器人平台、超40公里/6个月的长期部署中验证 - 开源贡献（隐式提及实验验证）显著优于现有方法，为极端环境下的稳健导航提供了新范式