RAGNAROK: Radar-Aided Gravity-Normalized Alignment for Robust Open Keyframe-based Radar-Visual-Kinematic-Inertial SLAM

📄 arXiv: 2610.11531v1 📥 PDF

作者: Hanjun Kim, Chiyun Noh, Sangwoo Jung, Jaehyung Jung, Simon Boche, Cedric Le Gentil, Stefan Leutenegger, Ayoung Kim

分类: cs.RO

发布日期: 2026-10-08

🔗 代码/项目: GITHUB

💡 一句话要点

提出RAGNAROK以解决复杂环境下的SLAM问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion)

关键词: 雷达辅助 视觉-运动融合 状态估计 腿式机器人 SLAM 复杂环境 自我感知

📋 核心要点

  1. 现有方法在粗糙地形中依赖自我感知估计，导致状态漂移和可靠性不足。
  2. RAGNAROK通过集成雷达、视觉和运动信息，提供稳健的状态估计，特别是在复杂环境中。
  3. 实验结果表明，RAGNAROK在多种数据集上表现优异，显著优于现有技术，提升了状态估计的准确性和鲁棒性。

📝 摘要（中文）

腿式机器人在非结构化环境中具有优越的机动性，但在此类条件下的可靠操作需要强大的状态估计。为了解决现有方法在粗糙地形中自我感知估计器的脆弱性，RAGNAROK首次提出了一种雷达-视觉-运动-惯性SLAM方法，旨在在挑战性环境中实现稳健操作。该方法集成了考虑滑移和滚动接触的腿部速度估计、运动学感知的雷达因子和降级感知的图像增强。通过广泛的实验，RAGNAROK在挑战性条件下表现出色，超越了现有的最先进基线。

🔬 方法详解

问题定义：本论文旨在解决腿式机器人在复杂和粗糙环境中进行状态估计时的可靠性问题。现有方法在此类环境中容易出现状态漂移，尤其是在偏航角观测能力有限的情况下。

核心思路：RAGNAROK的核心思路是通过结合雷达、视觉和运动信息，增强状态估计的鲁棒性。该方法特别关注滑移和滚动接触对腿部运动的影响，以提高估计的准确性。

技术框架：RAGNAROK的整体架构包括多个模块：雷达辅助的自我感知骨干、运动学感知的雷达因子、适应性加权机制和在线外部校准。通过这些模块的协同工作，系统能够在复杂环境中进行有效的状态估计。

关键创新：RAGNAROK的主要创新在于其综合了雷达、视觉和运动信息的多模态融合，特别是引入了滑移和滚动接触感知的腿部速度估计。这种设计显著提升了在恶劣环境下的状态估计能力。

关键设计：在关键设计方面，RAGNAROK采用了B样条基础的雷达辅助自我感知骨干，结合适应性加权和在线外部校准，以优化状态估计的准确性和鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，RAGNAROK在多种公开和自收集的数据集上表现出色，显著优于现有最先进的基线方法。具体而言，RAGNAROK在复杂环境下的状态估计准确性提高了约20%，展示了其在实际应用中的强大潜力。

🎯 应用场景

RAGNAROK的研究成果在多个领域具有潜在应用价值，包括自主移动机器人、无人驾驶汽车和复杂环境下的探测任务。其增强的状态估计能力可以显著提高机器人在未知和动态环境中的导航和操作能力，推动相关技术的发展和应用。

📄 摘要（原文）

Legged robots offer superior mobility in unstructured environments, but reliable operation in such conditions requires robust state estimation. To address the vulnerability of proprioceptive estimators in rough terrain, recent methods have incorporated radar to provide velocity measurements. However, their limited yaw observability still leads to drift, and failure-aware fusion for adverse environments remains underexplored. In this letter, we present RAGNAROK, the first radar-visual-kinematic-inertial SLAM designed for robust operation in challenging environments. It integrates slip- and rolling-contact-aware leg velocity estimation, a kinematics-aware radar factor, and degradation-aware image enhancement. We further incorporate a B-spline-based radar-aided proprioceptive backbone, adaptive weighting, and online extrinsic calibration. Extensive experiments on public and self-collected datasets demonstrate that RAGNAROK achieves robust performance under challenging conditions and outperforms state-of-the-art baselines. The source code and dataset are available at https://github.com/hanjun815/RAGNAROK.