Dr-PoGO: Direct Radar Pose-Graph Optimization

📄 arXiv: 2605.04806v1 📥 PDF

作者: Cedric Le Gentil, Weican Li, Leonardo Brizi, Timothy D. Barfoot

分类: cs.RO

发布日期: 2026-05-06

备注: Accepted for presentation at ICRA 2026 Cite as @inproceedings{legentil2026drpogo, title={Dr-PoGO: Direct Radar Pose-Graph Optimization}, author={{Le Gentil}, Cedric and Weican, Li and Brizi, Leonardo and Barfoot, Timothy D.}, booktitle={IEEE International Conference on Robotics and Automation (ICRA)}, year={2026} }

🔗 代码/项目: GITHUB

💡 一句话要点

Dr-PoGO：基于直接雷达配准的位姿图优化SLAM方法

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 雷达SLAM 直接配准 位姿图优化 自动驾驶 机器人导航

📋 核心要点

  1. 现有雷达SLAM方法依赖点云或特征提取，在复杂环境鲁棒性不足，且精度有待提升。
  2. Dr-PoGO采用直接配准技术进行里程计和回环检测，避免了特征提取的中间步骤，提升了精度和效率。
  3. 实验结果表明，Dr-PoGO在真实汽车环境中超过300公里的数据上实现了最先进的性能。

📝 摘要（中文）

本文提出了一种名为Dr-PoGO的基于2D旋转雷达的同步定位与地图构建(SLAM)方法。与需要视线的相机或激光雷达不同，毫米波雷达可以穿透灰尘、降雪、降雨等。因此，它是一种在各种天气条件下都能实现鲁棒感知的优秀传感器。与大多数现有的基于雷达的SLAM方法依赖于点云或特征提取来执行自运动估计不同，Dr-PoGO利用直接配准技术进行里程计(DRO)和回环闭合配准。现成的雷达专用地点识别算法RaPlace提供回环闭合候选。由于RaPlace不提供相对变换，Dr-PoGO引入了一种由粗到精的配准方法，该方法使用视觉特征和描述符来获得直接变换细化的初始猜测。全局轨迹在位姿图优化中进行优化。Dr-PoGO在各种真实汽车环境中超过300公里的数据上展示了最先进的性能。我们的实现已公开：https://github.com/utiasASRL/dr_pogo。

🔬 方法详解

问题定义：现有的雷达SLAM方法通常依赖于从雷达数据中提取点云或特征，然后进行匹配和位姿估计。这种方法的痛点在于特征提取过程容易受到噪声和环境变化的影响，导致位姿估计的精度和鲁棒性下降。尤其是在恶劣天气条件下，特征提取的可靠性会进一步降低。

核心思路：Dr-PoGO的核心思路是采用直接配准技术，直接利用原始雷达数据进行里程计和回环检测，避免了特征提取的中间步骤。通过直接优化雷达强度图像之间的差异，可以更准确地估计雷达的运动，从而提高SLAM系统的整体性能。此外，该方法还结合了视觉特征进行粗略配准，为直接配准提供良好的初始猜测。

技术框架：Dr-PoGO的整体框架包括以下几个主要模块：1) 直接雷达里程计(DRO)：使用直接配准技术估计雷达的运动。2) 回环检测：使用RaPlace算法进行回环候选检测。3) 粗略配准：使用视觉特征和描述符进行粗略配准，为直接配准提供初始猜测。4) 精细配准：使用直接配准技术对回环候选进行精细配准。5) 位姿图优化：使用位姿图优化算法对全局轨迹进行优化。

关键创新：Dr-PoGO的关键创新在于将直接配准技术应用于雷达SLAM。与传统的基于特征的雷达SLAM方法相比，Dr-PoGO可以直接利用原始雷达数据进行位姿估计，避免了特征提取过程中的信息损失，从而提高了位姿估计的精度和鲁棒性。此外，该方法还结合了视觉特征进行粗略配准，进一步提高了配准的效率和准确性。

关键设计：Dr-PoGO的关键设计包括：1) 使用强度图像的互信息作为直接配准的优化目标。2) 使用高斯-牛顿法进行直接配准的优化。3) 使用RANSAC算法去除粗略配准中的外点。4) 使用g2o库进行位姿图优化。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Dr-PoGO在超过300公里的真实汽车环境数据上进行了评估，结果表明，Dr-PoGO实现了最先进的性能。与现有的基于特征的雷达SLAM方法相比，Dr-PoGO在位姿估计的精度和鲁棒性方面都有显著提升。该论文公开了代码，方便其他研究者进行复现和改进。

🎯 应用场景

Dr-PoGO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。尤其是在恶劣天气条件下，例如雨、雪、雾等，相机和激光雷达的性能会受到严重影响，而雷达则可以穿透这些障碍物，提供可靠的环境信息。因此，Dr-PoGO可以为自动驾驶汽车和机器人提供更安全、更可靠的导航能力。

📄 摘要（原文）

This paper introduces Dr-PoGO, a method for Simultaneous Localization And Mapping (SLAM) using a 2D spinning radar. Unlike cameras or lidars that require line-of-sight, millimetre-wave radars can `see' through dust, falling snow, rain, etc. Accordingly, it is a great modality for robust perception regardless of the weather conditions. While most existing radar-based SLAM methods rely on the extraction of point clouds or features to perform ego-motion estimation, Dr-PoGO leverages direct registration techniques for odometry (DRO) and loop-closure registration. An off-the-shelf radar-focused place recognition algorithm, RaPlace, provides loop-closure candidates. As RaPlace does not provide relative transformations, Dr-PoGO introduces a coarse-to-fine registration that uses visual features and descriptors to obtain an initial guess for the direct transformation refinement. The global trajectory is optimized in a pose-graph optimization. Dr-PoGO demonstrates state-of-the-art performance over 300km of data in various real-world automotive environments. Our implementation is publicly available: https://github.com/utiasASRL/dr_pogo.