自动驾驶

UNRIO: Uncertainty-Aware Velocity Learning for Radar-Inertial Odometry

UNRIO：面向雷达-惯性里程计的不确定性感知速度学习

Jui-Te Huang, Tinashu Huang, Anthony Rowe, Michael Kaess

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 多传感器融合 ：LiDAR(abstract,abstract_cn)；分类 cs.RO

AI总结 UNRIO通过直接处理雷达IQ信号预测体坐标系速度，结合Transformer架构和GRT框架，在多模式下实现不确定性估计与姿态图融合，有效提升横向运动轨迹中的里程计精度。

RadarSplat-RIO: Indoor Radar-Inertial Odometry with Gaussian Splatting-Based Radar Bundle Adjustment

RadarSplat-RIO：基于高斯点分布的室内雷达-惯性里程计

Pou-Chun Kung, Yuan Tian, Zhengqin Li, Yue Liu, Eric Whitmire, Wolf Kienzle, Hrvoje Benko

机构 * Meta Reality Labs（Meta现实实验室） ； University of Michigan（密歇根大学） 纠错

专题命中 多传感器融合 ：LiDAR(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出基于高斯点分布的雷达束调整框架，通过联合优化雷达传感器姿态和场景几何，显著减少位姿漂移并提升鲁棒性，实验表明在多个室内场景中，雷达束调整性能优于传统雷达-惯性里程计。