FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement

📄 arXiv: 2609.05325v1 📥 PDF

作者: Kun Hu, Menggang Li, Kaidi Wu, Zhiwen Jin, Yingjie Zhao, Chaoquan Tang, Eryi Hu, Gongbo Zhou

分类: cs.RO

发布日期: 2026-09-04

备注: Accepted by IROS 2026.The project website is "https://kj-falloutlast.github.io/FIRE-LIVWO"

💡 一句话要点

提出FIRE-LIVWO以解决复杂地下煤矿中的鲁棒SLAM问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: SLAM 多模态融合 毫米波雷达 LiDAR 视觉信息 鲁棒性 地下矿井 里程计

📋 核心要点

  1. 在复杂的地下煤矿环境中，现有的SLAM方法面临视觉信息丢失和几何退化等挑战，导致里程计漂移严重。
  2. 本文提出FIRE-LIVWO框架，通过结合4D毫米波雷达、LiDAR和视觉信息，利用多模态融合来增强鲁棒性。
  3. 实验证明，FIRE-LIVWO在极端环境下实现了优越的定位精度和鲁棒性，平均定位误差为5.677米，显著优于基线方法。

📝 摘要（中文）

在复杂结构和严重退化的地下煤矿中，实现鲁棒的SLAM仍然面临巨大挑战。浓密的烟雾和灰尘导致视觉信息的显著丢失，降低了LiDAR点云特征的质量，而长且自相似的走廊则引发几何退化，导致明显的里程计漂移。为了解决这些问题，本文提出了FIRE-LIVWO：一种基于迭代误差状态卡尔曼滤波器（IESKF）的多模态里程计框架，结合了4D毫米波雷达、LiDAR和视觉特征。该框架在烟雾环境中利用4D毫米波雷达的强穿透能力，并引入逐点多普勒速度约束以保持状态可观测性。在几何退化的走廊中，通过非完整约束（NHC）和在线杠杆臂补偿紧密耦合轮子里程计以减少漂移。我们的核心贡献是基于几何和视觉可观测性分析的退化检测和自适应融合模型切换策略，能够在线量化可观测性并动态调整模态权重。实验证明，FIRE-LIVWO在极端条件下能够可靠地切换模态，平均定位误差为5.677米。

🔬 方法详解

问题定义：本文旨在解决在复杂地下煤矿环境中，因浓烟和几何退化导致的SLAM鲁棒性不足和里程计漂移问题。现有方法在这些极端条件下表现不佳，无法有效融合多种传感器信息。

核心思路：FIRE-LIVWO通过紧密耦合4D毫米波雷达、LiDAR和视觉信息，利用迭代误差状态卡尔曼滤波器（IESKF）来增强SLAM的鲁棒性，特别是在视觉信息丢失和几何退化的情况下。

技术框架：该框架包括四个主要模块：4D毫米波雷达、LiDAR、视觉特征和轮子里程计。通过构建统一的VoxelMap，框架能够联合构建点到平面的残差和稀疏的视觉光度残差。

关键创新：最重要的创新在于退化检测和自适应融合模型切换策略，能够根据几何和视觉可观测性分析在线量化可观测性，并动态调整不同模态的权重，从而提高系统的鲁棒性。

关键设计：在设计中，采用了逐点多普勒速度约束来保持状态可观测性，并通过非完整约束（NHC）和在线杠杆臂补偿来紧密耦合轮子里程计，显著减少了漂移。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FIRE-LIVWO在实际地下煤矿实验中表现出色，成功识别失败边界，实现可靠的模态切换，平均定位误差仅为5.677米，显著优于现有基线方法，展示了其在极端条件下的优越性和鲁棒性。

🎯 应用场景

该研究具有广泛的应用潜力，尤其是在复杂和危险的环境中，如地下矿井、灾后救援和自动驾驶等领域。通过提高SLAM系统的鲁棒性，FIRE-LIVWO能够支持更安全和高效的机器人导航与操作，未来可能推动相关技术的进一步发展与应用。

📄 摘要（原文）

Achieving robust SLAM in large-scale underground coal mines with complex structures and severe degeneracies remains highly challenging. Dense smoke and dust cause substantial loss of visual information and degrade LiDAR point-cloud features, while long, self-similar corridors induce geometric degeneration, leading to pronounced odometry drift. To address these issues, we propose FIRE-LIVWO: Failure-Immune mmWave Radar-Enhanced LiDAR-Inertial-Visual-Wheel Odometry, a tightly coupled multi-modal odometry framework based on an iterated error-state Kalman filter (IESKF). The framework fuses 4D mmWave radar, LiDAR, and visual features within a unified VoxelMap and jointly constructs LiDAR-radar point-to-plane residuals and sparse visual photometric residuals. In smoke-filled environments, we exploit the strong penetration of 4D mmWave radar and introduce pointwise Doppler velocity constraints to preserve state observability. In geometrically degenerate corridors, we tightly couple wheel odometry using non-holonomic constraints (NHC) and online lever-arm compensation to reduce drift. Our central contribution is a degeneration detection and adaptive fusion model switching strategy grounded in geometric and visual observability analysis, which quantifies observability online and dynamically adjusts modality weights. Real-world experiments in underground coal mines demonstrate that FIRE-LIVWO accurately identifies failure boundaries, enabling reliable modality switching under extreme conditions. Compared with baselines, it achieves superior accuracy and robustness (average localization error of 5.677m). We open source our code on Github to benefit the robotics community.