4D iRIOM
4D iRIOM 以 4D 成像雷達加 IMU 做里程計與建圖：每張雷達掃描先用漸進非凸（GNC）方法估計自身速度，排除移動物與多路徑造成的離群點，再把稀疏雷達點與局部子地圖的多個鄰近點以協方差加權配準；兩類量測都送入迭代擴展卡爾曼濾波器更新。最後以 scancontext 偵測回訪並建立位姿圖做迴圈閉合，得到全域一致的雷達點雲地圖。作者指出 LiDAR 與相機在雨、霧等劣化環境表現下降，毫米波雷達則能在霧中量測距離、方向與都卜勒速度。
本頁內容
Radar-inertial odometry and mapping with a 4D imaging radar: GNC-based ego-velocity from each scan plus distribution-to-multi-distribution scan-to-submap matches fused in an iterated EKF, with scancontext loop closure and pose graph optimization for a consistent radar map.
技術屬性
欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。
| 感測輸入 | 4D imaging radar (Continental ARS548)、IMU (EPSON G345 inside the Bynav X1-5H GNSS/INS) |
|---|---|
| 原文測試平台 | ["ground robot (drive type not stated in the text)", "ColoRadar dataset sequences"] |
| 狀態估計 | iterated extended Kalman filter with IMU propagation; state includes radar-IMU extrinsics and gravity; updates from radar ego-velocity and from scan-to-submap point matches; loop closure by scancontext detection with GICP constraints in a pose graph (Sec. III) |
| 資料關聯 | ego-velocity estimated from each radar scan by graduated non-convexity (GNC) with outlier relaxation and chi-square pruning at significance 0.05; scan-to-submap matching of sparse radar points against N = 5 nearest submap points weighted by covariance (distribution-to-multi-distribution) in an incrementally updated map (Sec. III) |
| 時間表示 | discrete radar scans (about 15 Hz) with IMU propagation between scans; inputs are time-aligned radar scans and 6D IMU data (Sec. III-A) |
| 去畸變 | not described |
| 迴圈閉合 | yes, scancontext place recognition with a descriptor threshold tuned for 4D radar; GICP relative constraints (Sec. III) |
| 全域最佳化 | pose graph optimization with relative pose and loop constraints (Sec. III) |
| 地圖表示 | radar point submap for scan-to-submap matching; global radar point map after pose graph optimization (Figs. 1, 5) |
| 先驗資訊 | none; radar-IMU extrinsics are part of the state |
| 可輸出幾何 | robot trajectory and sparse radar point cloud map |
| 計算需求 | real time on a consumer laptop for about 15 Hz radar scans; mean total 13.41 to 50.77 ms per scan, dominated by scan-to-submap matching (Table II) |
使用設備
原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。
| 類別 | 型號（原文寫法） | 角色 | 資料集 | 原文規格 | 出處 |
|---|---|---|---|---|---|
| LiDAR | VLP-16歸入：Velodyne VLP-16 | 比較對象設備 | 4D iRIOM in-house radar dataset | LiDAR on the robot used by the FastLIO-SLAM baseline and for the sequence-3 reference | (Zhuang et al., 2023, Sec. IV-A) |
| 慣性量測單元（IMU） | G345 (built into Bynav X1-5H) | 方法輸入 | 4D iRIOM in-house radar dataset | gyroscope bias stability 0.00075 deg/s; angular random walk 0.003 deg/sqrt(s); accelerometer bias stability 70 ug; velocity random walk 0.0005 m/sqrt(s^3) | (Zhuang et al., 2023, Sec. IV-A) |
| GNSS 接收器 | X1-5H | 參考或真值量測 | 4D iRIOM in-house radar dataset | GNSS/INS reference in open-sky areas; about 3 cm with RTK, 25 cm after a 10 s RTK outage | (Zhuang et al., 2023, Sec. IV-A) |
| 雷達 | ARS548 | 方法輸入 | 4D iRIOM in-house radar dataset | 4D imaging radar; 15 Hz; 76-77 GHz; elevation AOV +-20 deg, azimuth AOV +-60 deg; azimuth resolution 0.2 deg, elevation resolution 0.1 deg; range about 300 m; distance accuracy 0.3 m | (Zhuang et al., 2023, Sec. IV-A) |
| 載具平台 | ground robot (drive type not stated) | 方法輸入 | 4D iRIOM in-house radar dataset | carries radar, GNSS/INS, LiDAR and cameras | (Zhuang et al., 2023, Fig. 3) |
| 運算硬體 | consumer laptop | 執行運算平台 | 4D iRIOM in-house radar dataset | real-time processing of about 15 Hz radar scans | (Zhuang et al., 2023, Sec. IV; Table II) |
論文圖片
只收錄原文以開放授權（open license）釋出的圖片，並依授權條件標示出處、圖號、授權與修改方式。
Fig. 1籃球場資料的 iRIOM 建圖結果：只用雷達自身速度與 IMU 時的地圖，對照再加入雷達點配準後的地圖
出處：Zhuang et al., 2023，Fig. 1。授權：CC BY 4.0。原始圖檔。修改：轉存為 WebP 格式。
Fig. 2iRIOM 系統概觀：雷達點雲前處理、GNC 自身速度估計、掃描對子地圖配準、迭代 EKF 更新，以及 scancontext 迴圈閉合與位姿圖
出處：Zhuang et al., 2023，Fig. 2。授權：CC BY 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。
Fig. 3測試用地面機器人與感測器配置（ZED 相機與 RGB-D 相機未使用）
出處：Zhuang et al., 2023，Fig. 3。授權：CC BY 4.0。原始圖檔。修改：轉存為 WebP 格式。
Fig. 5序列 2 偵測到的迴圈閉合與閉合誤差，以及 iRIOM 的建圖結果
出處：Zhuang et al., 2023，Fig. 5。授權：CC BY 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。
作者報告的優勢與限制
優勢
- On three in-house sequences, APE translation RMSE 0.305 to 0.336 m for iRIOM versus 3.388 to 10.068 m for EKFRIO (Table I)
- Accuracy comparable to LiDAR-inertial FastLIO-SLAM on sequences 1-2, with lower APE rotation RMSE (Table I)
- Loop closure reduces vertical closure error on the two-lap building sequence from 5.073 m to 0.001 m (Table I)
- Ablations show that fusing both ego-velocity and scan-to-submap matches avoids failures seen with either alone or with a constant-velocity model (Table III)
- Real-time on a consumer laptop (Table II)
限制
- Radar scans are sparse (typically under 500 points) and noisy, so maps are sparse (Sec. III)
- Scan-to-submap matching is the costliest step, with maximum per-scan time up to 380 ms (Table II)
- Reference trajectory for the underground parking sequence comes from FastLIO-SLAM rather than GNSS/INS (Sec. IV-B)
- Code is not released in the paper
營建工程相關證據
施工現場常有粉塵、雨霧與照明不足；作者以雨霧中 LiDAR 與相機表現下降作為研究動機，本文可作為雷達慣性 SLAM 在劣化環境的代表方法（推論，論文未測試粉塵或施工現場）。測試場景包含校園建物周邊與地下停車場，但雷達點雲稀疏，只能提供定位與粗略地圖，無法取代 LiDAR 做點雲精度量測；論文也沒有施工現場資料。
原文驗證環境：獨立參考量測、公開基準、地下或隧道
報告的性能數據
以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。
本方法共出現在 4 個比較組，合計 103 筆紀錄。
Zhuang et al., 2023 · Table I 本方法 36 筆
表格設定（擷取紀錄原文）：In-house ground-robot sequences with ARS548 radar and EPSON G345 IMU; reference: Bynav X1-5H GNSS/INS for sequences 1-2 and FastLIO-SLAM (LiDAR-IMU) for sequence 3; closure errors are means of 10 runs; FastLIO = FastLIO-SLAM with loop closure using the VLP-16 (Zhuang et al., 2023, Table I)
Closure Error Hor，4D iRIOM in-house radar dataset · Seq. 1 (basketball court, 6 min)
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Zhuang et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Zhuang et al., 2023, Table I)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| EKFRIO | 0.53 m | (Zhuang et al., 2023, Table I; Sec. IV-B) |
| iRIO (without loop closure)本方法原文提出 | 0.029 m | (Zhuang et al., 2023, Table I; Sec. IV-B) |
| iRIOM本方法原文提出 | 0.027 m | (Zhuang et al., 2023, Table I; Sec. IV-B) |
| FastLIO (FastLIO-SLAM with loop closure) | 0.024 m | (Zhuang et al., 2023, Table I; Sec. IV-B) |
Zhuang et al., 2023 · Table II 本方法 36 筆
表格設定（擷取紀錄原文）：Timing statistics of iRIOM (max / min and mean in ms) per radar scan on a consumer laptop (Zhuang et al., 2023, Table II)
IMU predict time，4D iRIOM in-house radar dataset · Seq. 1 (basketball court, 6 min)
這張表在此指標與資料序列只列出本方法一筆，沒有可並列的其他方法，因此不畫圖，數值與出處見下表。這是 Zhuang et al., 2023 在此表設定下報告的數值（author-reported results），不代表方法在其他資料或設定下的表現。
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| iRIOM本方法原文提出硬體：consumer laptop (model not reported) | 10.66 ms | (Zhuang et al., 2023, Table II; Sec. IV) |
Zhuang et al., 2023 · Table IV 本方法 16 筆
表格設定（擷取紀錄原文）：ColoRadar dataset sequences; closure error and APE RMSE of the radar methods against the dataset reference trajectory (Zhuang et al., 2023, Table IV)
Closure Error Hor，ColoRadar · 2_23_2021_edgar_classroom_run0
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Zhuang et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Zhuang et al., 2023, Table IV)
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| EKFRIO | 15.732 m | (Zhuang et al., 2023, Table IV; Sec. IV-D) |
| iRIO (without loop closure)本方法原文提出 | 7.309 m | (Zhuang et al., 2023, Table IV; Sec. IV-D) |
| iRIOM本方法原文提出 | 0.351 m | (Zhuang et al., 2023, Table IV; Sec. IV-D) |
Zhuang et al., 2023 · Table III (failure counts) 本方法 15 筆
指標F (number of failures in 10 repetitions)
表格設定（擷取紀錄原文）：Ablation on in-house sequences, number of failures F in 10 repetitions; Vel.: ego-velocity update only; S2M: scan-to-submap update only; Both: both updates (iRIO); CVM: constant velocity model replaces the IMU; S2S: scan-to-five-scans matching; error columns of this table omitted (row cap) (Zhuang et al., 2023, Table III (failure counts))
F (number of failures in 10 repetitions)，4D iRIOM in-house radar dataset · Seq. 1 (basketball court, 6 min)
只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。
按 Tab 進入圖表後，用上下方向鍵逐一瀏覽各類別，Esc 關閉提示框；也可開啟表格檢視閱讀全部數值。
這些是 Zhuang et al., 2023 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。
資料來源作者報告值(Zhuang et al., 2023, Table III (failure counts))
| 方法（原文寫法） | 報告值 | 出處 |
|---|---|---|
| iRIO variant: Vel.本方法原文提出 | 1 count | (Zhuang et al., 2023, Table III; Sec. IV-C) |
| iRIO variant: S2M本方法原文提出 | 4 count | (Zhuang et al., 2023, Table III; Sec. IV-C) |
| iRIO variant: Both本方法原文提出 | 0 count | (Zhuang et al., 2023, Table III; Sec. IV-C) |
| iRIO variant: CVM本方法原文提出 | 5 count | (Zhuang et al., 2023, Table III; Sec. IV-C) |
| iRIO variant: S2S本方法原文提出 | 2 count | (Zhuang et al., 2023, Table III; Sec. IV-C) |
來源
Zhuang et al., 2023
（2023）4D iRIOM: 4D Imaging Radar Inertial Odometry and MappingIEEE Robotics and Automation Letters, 8(6), pp. 3246-3253
DOI 10.1109/lra.2023.3266669arXiv 2303.13962
同儕審查已出版已讀全文近十年查證後修正
相關版本
- 預印本：4D iRIOM arXiv v2 (accepted, proofread version; CC BY 4.0) https://arxiv.org/abs/2303.13962v2