Super4DR: 4D Radar-centric Self-supervised Odometry and Gaussian-based Map Optimization

📄 arXiv: 2512.09608v1 📥 PDF

作者: Zhiheng Li, Weihua Wang, Qiang Shen, Yichen Zhao, Zheng Fang

分类: cs.RO

发布日期: 2025-12-10

备注: 17 pages, 20 figures

💡 一句话要点

Super4DR：面向4D雷达的自监督里程计与高斯优化建图

🎯 匹配领域: 支柱三：空间感知 (Perception & SLAM)

关键词: 4D雷达 自监督学习 里程计 SLAM 高斯优化 点云处理 机器人导航

📋 核心要点

  1. 传统SLAM在恶劣环境下表现不佳，4D雷达数据虽适用，但其稀疏性和噪声阻碍了精确的里程计估计。
  2. Super4DR利用聚类感知的里程计网络和分层自监督机制，提升帧间匹配精度并克服异常值。
  3. 通过3D高斯表示和雷达特定优化策略，Super4DR能够恢复模糊和未检测到的地图区域，提升地图质量。

📝 摘要（中文）

本文提出Super4DR，一个以4D雷达为中心的框架，用于学习型里程计估计和基于高斯的地图优化。针对传统视觉或激光雷达SLAM系统在光照不足和恶劣天气下的局限性，以及4D雷达点云的稀疏性和噪声问题，本文设计了一个聚类感知的里程计网络，该网络结合了来自聚类雷达点的对象级线索用于帧间匹配，并采用分层自监督机制，通过时空一致性、知识迁移和特征对比来克服异常值。此外，本文提出使用3D高斯作为中间表示，结合雷达特定的增长策略、选择性分离和多视图正则化，以恢复模糊地图区域和基于图像纹理未检测到的区域。实验表明，Super4DR比先前的自监督方法性能提升67%，几乎与监督里程计相匹配，并缩小了与激光雷达的地图质量差距，同时实现了多模态图像渲染。

🔬 方法详解

问题定义：现有视觉和激光雷达SLAM系统在光照条件差和恶劣天气下性能显著下降。4D雷达虽然在这些环境下具有优势，但其点云的稀疏性和噪声使得里程计估计变得困难，同时雷达地图的结构模糊且不完整。因此，需要一种能够有效利用4D雷达数据，实现鲁棒的里程计估计和高质量地图构建的方法。

核心思路：Super4DR的核心思路是结合学习方法和几何优化，充分利用4D雷达数据中的信息。首先，通过学习方法提取雷达点云中的特征，并利用聚类信息进行帧间匹配，从而提高里程计估计的准确性。其次，使用3D高斯作为地图的中间表示，并设计雷达特定的优化策略，以恢复地图中的缺失和模糊区域。

技术框架：Super4DR框架主要包含两个模块：学习型里程计估计模块和基于高斯的地图优化模块。里程计估计模块使用一个聚类感知的神经网络，该网络以雷达点云作为输入，输出帧间的位姿变换。地图优化模块首先将雷达点云转换为3D高斯表示，然后使用雷达特定的增长策略、选择性分离和多视图正则化等方法对高斯进行优化，最终得到高质量的地图。

关键创新：Super4DR的关键创新在于以下几个方面：1) 提出了一个聚类感知的里程计网络，该网络能够有效利用雷达点云中的对象级线索进行帧间匹配。2) 引入了分层自监督机制，通过时空一致性、知识迁移和特征对比来克服异常值。3) 使用3D高斯作为地图的中间表示，并设计了雷达特定的优化策略，以恢复地图中的缺失和模糊区域。

关键设计：在里程计网络中，使用了PointNet++作为特征提取器，并引入了注意力机制来增强关键特征的权重。在自监督学习中，使用了三种损失函数：时空一致性损失、知识迁移损失和特征对比损失。在地图优化中，使用了雷达特定的增长策略，该策略根据雷达点的反射强度和密度来控制高斯的增长速度。选择性分离策略用于分离重叠的高斯，多视图正则化用于保证地图的一致性。

📊 实验亮点

实验结果表明，Super4DR在里程计估计方面，相比于先前的自监督方法，性能提升了67%，并且几乎达到了监督学习的水平。在地图构建方面，Super4DR缩小了与激光雷达地图的质量差距，并且能够生成多模态图像渲染，为后续的应用提供了便利。

🎯 应用场景

Super4DR在自动驾驶、机器人导航、环境感知等领域具有广泛的应用前景。尤其是在恶劣天气和光照条件差的环境下，Super4DR能够提供鲁棒的定位和建图能力，为自动驾驶车辆和机器人提供可靠的环境信息。此外，Super4DR还可以用于构建高精度的雷达地图，为城市规划、基础设施维护等领域提供支持。

📄 摘要（原文）

Conventional SLAM systems using visual or LiDAR data often struggle in poor lighting and severe weather. Although 4D radar is suited for such environments, its sparse and noisy point clouds hinder accurate odometry estimation, while the radar maps suffer from obscure and incomplete structures. Thus, we propose Super4DR, a 4D radar-centric framework for learning-based odometry estimation and gaussian-based map optimization. First, we design a cluster-aware odometry network that incorporates object-level cues from the clustered radar points for inter-frame matching, alongside a hierarchical self-supervision mechanism to overcome outliers through spatio-temporal consistency, knowledge transfer, and feature contrast. Second, we propose using 3D gaussians as an intermediate representation, coupled with a radar-specific growth strategy, selective separation, and multi-view regularization, to recover blurry map areas and those undetected based on image texture. Experiments show that Super4DR achieves a 67% performance gain over prior self-supervised methods, nearly matches supervised odometry, and narrows the map quality disparity with LiDAR while enabling multi-modal image rendering.