IEEE RA-L 开源 TRalL-Odom：雷达不再“固定权重”，退化场景ATE/R…

点击“计算机视觉life”，选择“星标”

机器人AI干货第一时间送达

以下文章转载自3D视觉前线

在 LiDAR-Inertial Odometry（LIO）里加入毫米波雷达，直觉上似乎是一件“多一个传感器就多一份保险”的事情。

但真正把系统跑到长走廊、隧道、空旷场地这类几何退化环境里，很快就会遇到一个更棘手的问题：Radar 的信息并不是任何时候、任何方向都同样有用。

LiDAR 可能只在某一个平移方向上失去约束，而其他方向仍然观测良好；与此同时，每个 Radar Doppler 点只能沿自身视线方向（line-of-sight，LOS）提供一维径向速度约束。如果还给所有 Radar 点统一、固定的权重，那么新增的雷达信息不但可能没有精准补到 LiDAR 最缺的方向，反而可能在本来已经约束充分的方向上“用力过猛”。

这正是 TRaIL-Odom 想解决的问题。

这篇被 IEEE Robotics and Automation Letters（RA-L）于 2026 年 8 月接收的工作，由首尔大学、ETH Zurich Robotic Systems Lab（RSL）以及 Robotics and AI Institute（RAI）联合完成。作者没有把重点放在“再加一种传感器”，而是进一步追问：

TRaIL-Odom 给出的答案可以压缩成一句话：

用扫描级增益 γ 决定“Radar 什么时候该更强”，再用点级权重 α 决定“Radar 的信息应该往哪里投”。

在 13 条序列上的实验中，TRaIL-Odom 在严重几何退化场景下表现尤其明显。论文的三条退化序列消融实验中，完整的 α + γ 自适应加权相较固定权重基线，使平均 ATE RMSE 和 RTE RMSE 分别下降 86.0% 和 **78.5%**；在 BikeTunnel2 的回环起终点漂移对比中，固定权重方案的平移漂移为 10.48 m，完整方法将其压到了 0.14 m。

下面我们从问题本身出发，把这套方法拆开来看。

1. 为什么“LiDAR + Radar”并不等于一定更稳？

Radar 最吸引定位研究者的一点，是它可以直接给出 Doppler 径向速度。

假设某个 Radar 点的单位视线方向为 l̃_j^R，那么它本质上测到的，是平台速度在这条 LOS 方向上的投影，而不是完整的三维速度。这意味着单个 Radar 点只提供一个秩 1 的方向性速度约束。

在隧道、长走廊、开阔场地等环境中，LiDAR 的问题同样具有方向性。

例如在一条结构高度重复的长走廊里，横向和竖向往往还有墙面、地面可以提供几何约束，但沿走廊前进方向的几何信息可能非常弱。此时系统并不是“整个 3D 平移都不可观”，而是其中某一部分方向变弱。

传统固定权重 Radar-LiDAR 融合的隐含假设是：无论场景怎么变化，Radar 残差的可信度与作用都大致不变。

问题就在这里。

如果当前 LiDAR 已经把某个方向约束得很好，那么继续沿该方向大量叠加 Doppler 信息意义有限；反过来，如果 LiDAR 在某个方向几乎失去几何约束，而 Radar 点的 LOS 恰好能覆盖这个方向，那么这部分 Doppler 信息就应该被主动放大。

论文在 Airfield1 和 BikeTunnel2 上给出了非常直观的结果。纯 LIO 方法 RESPLE 在 Airfield1 中明显不稳定，在 BikeTunnel2 中甚至出现错误的后向预测；加入 Radar 但仍采用传统融合方式的 DR-LRIO 也存在较大偏差，而 TRaIL-Odom 在两类退化环境中保持了更稳定的轨迹。

图 1｜论文 Fig. 1。 在开放场地和隧道中对比 GT、RESPLE、DR-LRIO 与 TRaIL-Odom。这里最值得注意的并不是“Radar 能救 LIO”这件事本身，而是如何把 Radar 信息放到真正需要的方向上。

2. TRaIL-Odom 的核心：不是简单加权，而是“两层自适应信息分配”

TRaIL-Odom 在连续时间 Radar-IMU-LiDAR 紧耦合优化框架中加入了两个互补模块：

• Degeneracy-Aware Per-Point Radar Reweighting：逐 Radar 点调整权重，用 α_j 控制每个 Doppler 点的相对贡献；
• Scan-wise Radar Gain Scheduling：逐 LiDAR 扫描调整 Radar 总体强度，用 γ 控制这一帧到底应该多依赖 Radar。

两者看起来都在“调权重”，但作用完全不同。

α 不改变这一帧 Radar 信息的平均尺度，它做的是方向重分配；γ 不关心单个点往哪个方向投，它负责根据当前 LiDAR 几何退化程度改变 Radar 的整体信息强度。

论文 Fig. 3 对这个过程做了非常形象的解释：初始状态的不确定性沿弱方向拉成长椭圆；点级重加权先把更多约束分配给弱方向，然后扫描级增益再整体增强 Radar，使不确定性进一步收缩。

图 2｜论文 Fig. 3。 α 解决的是“往哪里加”，γ 解决的是“加多少”。理解这两个角色，基本就抓住了 TRaIL-Odom 的主线。

3. 整体框架：连续时间 B-spline 下的 Radar-IMU-LiDAR 紧耦合

TRaIL-Odom 并不是在现有 LIO 后面再挂一个 Radar 修正模块，而是把三类传感器统一放进一个连续时间、滑动窗口的非线性最小二乘问题中。

系统使用 cubic uniform B-spline 表示连续时间轨迹，并采用位置与姿态分开的 split pose representation。世界系在初始时刻与 IMU 坐标系对齐，body frame 直接设置为 IMU frame。

轨迹状态写为：

其中 R(t) ∈ SO(3) 为连续时间旋转轨迹，p(t) ∈ ℝ³ 为连续时间平移轨迹，b_g 和 b_a 分别为陀螺仪与加速度计偏置。

论文中控制点间隔设置为：

连续时间表示在这里非常关键，因为 Radar、IMU 和 LiDAR 的时间戳天然异步。与为每个传感器时刻显式增加离散状态相比，B-spline 可以在任意测量时间 t_k 上直接查询 R(t_k)、p(t_k) 以及速度、加速度和角速度等时间导数。

系统整体流程如下。

图 3｜论文 Fig. 2。 一帧 LiDAR 到来后，系统一边通过 Radar + IMU 获得可靠初始化，一边仅利用 LiDAR 当前扫描几何诊断平移退化；通过 LOS coverage check 后计算点级 α，同时根据几何各向异性计算扫描级 γ，最后将全部加权残差放入紧耦合优化。

这个流程里有一个容易被忽略的细节：退化诊断和 RI 初始化是两条不同的支路。

作者没有用 Radar 自己去判断 LiDAR 是否退化，而是坚持用 LiDAR 几何做“哪里缺信息”的诊断；Radar 和 IMU 则负责提供与速度一致的初始化和补充约束。这样做使“诊断信息”和“补偿信息”的角色比较清楚。

4. 紧耦合优化：三种传感器最终进入同一个目标函数

TRaIL-Odom 的滑动窗口覆盖一帧 LiDAR 扫描周期，同时包含该时间区间内的 IMU 与 Radar 测量。优化变量包括当前活跃 B-spline 控制点以及 IMU bias。

总体目标函数为：

其中：

• I、R_in、L 分别表示 IMU、筛选后的 Radar Doppler 以及 LiDAR 测量集合；
• r_p 是上一滑动窗口通过 Schur complement 边缘化后保留下来的先验；
• w*_{R,k} 是本文真正要动态调节的 Radar 有效权重。

4.1 LiDAR：point-to-plane 残差

LiDAR 使用局部地图中的平面关联，残差写为：

其中 n_k 是关联平面的单位法向量，q_k 是平面上的参考点。

这部分提供的是几何约束，也正是后面退化诊断的依据。

4.2 IMU：角速度与比力残差

陀螺仪残差为：

加速度计残差为：

这里连续时间轨迹的优势再次体现出来：角速度、速度和加速度都可以从 spline 解析求导得到。

4.3 Radar：LOS 方向上的 Doppler 速度残差

每个 Radar 点的径向速度只约束 LOS 方向。论文中的 Doppler 残差可写为：

从这个式子可以直接看出，Radar 并不是提供一个三维位置点去做 ICP，而是在约束平台速度投影是否与 Doppler 测量一致。

所以后面所有自适应设计，其实都在回答同一个问题：

哪些 LOS 方向的 Doppler 残差，最值得在当前几何条件下被信任和放大？

5. 先把 Radar 中明显“不像自己的运动”过滤掉

毫米波 Radar 的一个现实问题是动态目标和多径。

如果旁边有人、车或者其他运动物体，其 Doppler 速度并不等于机器人自身运动投影。若这类点直接进入紧耦合优化，给再聪明的自适应权重也可能出问题。

因此 TRaIL-Odom 在 Radar-Inertial 初始化前先做 velocity-based outlier filtering。

系统从上一优化窗口得到 Radar 坐标系下的先验自运动速度 v_prior^R。对第 j 个 Radar 点，单位 LOS 为：

将先验速度投影到该 LOS 上，并与实际 Doppler 测量比较：

论文设定：

通过筛选的 Radar 点再和 IMU 一起做 Radar-Inertial 初始化，为后续完整非线性优化提供速度一致的初值。

这一步虽然不是论文最“新”的部分，但很重要：自适应加权解决的是信息如何分配，不是替代前端异常值处理。

6. 最关键的第一步：只看 LiDAR 几何，找出真正的弱平移方向

很多 LIO 会通过 LiDAR 残差 Hessian 的特征值或者条件数判断退化。

但 TRaIL-Odom 使用连续时间 B-spline。此时如果直接看控制点空间（control-point space）的 Hessian，会遇到一个问题：它不仅受场景几何影响，还受到 spline basis coupling 和 knot placement 的影响。

换句话说，控制点空间“病态”，并不一定等于当前场景几何真的退化。

因此作者没有直接拿优化 Hessian 做几何诊断，而是参考 X-ICP，单独构造一个只反映当前 LiDAR 扫描几何的 3×3 法向信息矩阵：

这里的 n_i 是当前扫描内局部平面拟合得到的单位法向量。平面特征提取方式与 FAST-LIO2 类似，在当前 scan 内通过局部邻域平面拟合完成。

对 N 做特征值分解：

其中：

如果某个特征值远小于最大的 λ_1，就说明对应方向获得的法向信息明显不足。

作者将满足以下条件的特征向量收集起来，形成退化子空间：

实验中：

并且 d ∈ {0,1,2}，表示当前存在 0、1 或 2 个弱平移方向。

这里作者只诊断平移退化，并没有把旋转也放进同一套退化子空间。论文给出的理由是，高频 IMU gyroscope 通常可以较好约束旋转；相比之下，accelerometer 约束的是位置的二阶导数，bias 与噪声经双积分后更容易在平移上积累漂移。

这一步的输出 U_d，就是下一步 Radar 信息定向投放的“目标区域”。

7. 但 LiDAR 缺哪个方向，不代表 Radar 就一定补得上

这是 TRaIL-Odom 里一个很实用的保护机制。

假设 LiDAR 已经判断某两个平移方向较弱。如果当前 Radar 点恰好都集中在某一类 LOS 上，那么 Radar 很可能只能补其中一个方向，另一个方向依然没有足够观测。

如果此时还强行进行退化感知重加权，反而可能产生错误的置信度。

所以作者在真正算 α 之前，先做 Degeneracy-Subspace LOS Coverage Check。

对第 j 个 Radar 点，将其 LOS 投影到 LiDAR 诊断出的退化子空间：

把全部投影向量堆起来：

再构造覆盖矩阵：

M 描述当前这批 Radar LOS 对退化子空间的“激励”是否充分。

论文采用了一个很轻量的判定：

时默认通过；而当：

时，仅当：

才认为 Radar 对这两个弱方向的覆盖足够。

否则，本帧会关闭 degeneracy-aware reweighting，退回名义 Radar 权重。

作者还特意把 Radar 向下倾斜约 20° 安装，以改善对 LiDAR 退化子空间的 LOS 覆盖。这说明论文的自适应加权并不是“纯软件魔法”，传感器视场与安装姿态仍然直接影响可观性。

8. 点级权重 α：把 Doppler 信息重新分配给最缺约束的方向

LOS coverage 通过之后，系统开始计算每个 Radar 点的 α_j。

先看一个关键事实。

对 Radar Doppler 残差做一阶线性化后，可以写成：

其中 y 可以理解为由当前状态决定的 Radar 坐标系自运动速度。

把全部 Radar 残差堆起来，有：

其中：

引入对角权重矩阵：

那么对应的 Doppler 信息矩阵可以写为：

这个式子很值得仔细看。

每个 Radar 点给出的就是：

这样一个 rank-1 信息贡献。因此，只要改变 α_j，就相当于直接改变整个 Doppler 信息矩阵在不同方向上的“曲率分布”。

作者用 Radar LOS 在退化子空间中的投影长度定义对齐得分：

a_j 越大，说明这个 Radar 点的 LOS 越对齐 LiDAR 的弱方向。

随后使用指数映射得到点级权重：

这里分母不是普通 softmax 的总和，而是指数项的均值，因此全部 α_j 的平均值被归一化为 1。

这一点非常重要。

α 的目标不是把这一帧 Radar 整体变强，而是重新分配同样尺度下的信息：

• 与弱子空间高度对齐的 Radar 点，α_j > 1；
• 与弱方向关系不大的点，α_j < 1；
• 整体平均仍保持在 1 附近。

因此可以把 α 理解为一个方向路由器。

9. 扫描级增益 γ：LiDAR 越各向异性，Radar 整体越该发力

只有 α 还不够。

因为 α 只做“重新分配”，并不会提升这一帧 Radar 信息总量。如果当前 LiDAR 已经严重退化，仅仅把原本有限的 Radar 信息重新摆一遍，可能依然不够。

所以论文再引入一个 scan-wise global gain：

它根据当前 LiDAR 法向信息矩阵 N 的 sphericity 判断几何是否各向同性。

定义：

展开成特征值形式：

如果三个方向信息比较均衡，三个特征值接近，则：

如果信息主要集中在少数方向，某个特征值明显变小，则：

作者把 Radar 扫描级增益设为：

于是：

• LiDAR 几何接近各向同性：S(N) 接近 1，γ 接近 1；
• LiDAR 几何越退化、越各向异性：S(N) 越小，γ 越大。

换句话说，γ 是一个场景级放大器。

最终，如果平移退化诊断和 Radar LOS coverage 都通过，则第 k 个 Radar Doppler 残差的有效权重为：

否则恢复为：

到这里，TRaIL-Odom 的设计逻辑就完全闭环了：LiDAR 先判断哪里弱，Radar 再检查自己能不能补；如果能补，α 决定往哪里补，γ 决定补多强。

10. α 和 γ 在真实场景里真的会“跟着退化走”吗？

论文在 GaRLILEO 的 CorriLoop 序列上专门可视化了自适应权重。

结果很有意思。

在长直走廊段，LiDAR 几何更容易出现明显各向异性，因此 γ 会升高；到了转角等几何信息更丰富的位置，γ 又会回落到接近 1。

与此同时，同一帧 Radar 点的 α 也不是统一值，而是根据各自 LOS 与弱方向的对齐程度形成明显空间差异。

图 4｜论文 Fig. 5。 上部展示不同位置的 Radar 有效权重 γα，中部轨迹按 γ 着色，下部给出 γ 随时间变化。第一圈与第二圈经过相同走廊段时，γ 的升降趋势相似，说明它主要受到场景几何结构驱动，而不是随机波动。

这张图实际上回答了一个很重要的问题：

TRaIL-Odom 不是简单学到了“走廊就把 Radar 调大”，而是在每帧根据当前 LiDAR 几何重新计算。

11. 实验设置：13 条序列，既测正常场景，也专门测严重退化

作者使用了两个数据来源。

第一个是 GaRLILEO dataset，包含 7 条序列，覆盖较正常和半退化的室内、室外环境，例如 Downstair、CorriLoop、BiCorridor、SlopeStair、Tunnel、Overpass 和 Quad。

第二个是作者自己采集的 in-house dataset，一共 6 条序列，分布在三类退化场景中：BikeTunnel、Park 和 Airfield，每类场景两条序列。

自采数据使用 ANYmal/Boxi 平台完成。平台本身包含 1 个 Radar、2 个 LiDAR、10 个 RGB camera 和 7 个 IMU；论文在统一评测时使用的是：

• Livox Mid-360 LiDAR；
• Honeywell HG4930 IMU；
• D3 Embedded RS-1843AOPU mmWave Radar。

自采数据的 Ground Truth 通过 Leica MS60 total station 与 GRZ101 360° Mini Prism 获得；棱镜 LOS 丢失、Ground Truth 不可靠的区间被排除出评测。

对比方法包括 GenZ-ICP、FAST-LIO2、SuperOdom、DLIO、RESPLE、DR-LRIO 和 GaRLIO。作者同时给出了去掉全部 Radar 组件后的 Ours-LIO，用于直接观察“在同一套连续时间紧耦合框架里，加 Radar 到底是帮忙还是添乱”。

评价指标使用 evo，报告：

以及 1 m segment 上的：

论文主结果如下。

表 1｜论文 Table I。 Ours-RLIO 在所有自采退化序列中都能成功运行，并在 6 条 in-house 序列中的 5 条取得最低 RTE；在 BikeTunnel1、BikeTunnel2 与 Airfield1 上取得最低 ATE。更重要的是，一些纯 LiDAR 或 LIO 方法在这些序列上直接失败，说明这些场景并不是普通精度微调，而是真正的可观性压力测试。

12. 一个比“拿 SOTA”更值得看的结果：加 Radar 后，系统平均没有被拖差

多传感器融合论文里经常会出现一个容易被忽略的问题：

某个辅助传感器在困难场景里很有用，但在正常场景里反而会拖累系统。

TRaIL-Odom 为此专门比较了 RLIO 与各自 LIO 版本的误差比值。

对作者自己的框架，GaRLILEO 7 条序列上的平均比值为：

以及：

即平均 ATE 约改善 4.9%，平均 RTE 约改善 3.0%。

这两个数字并不夸张，但意义反而很大：在半退化乃至正常约束片段中，Radar 没有因为被“无脑加大”而明显破坏原本很好的 LiDAR 解。

作为对比，论文中 DR-LRIO 在同一组序列上的平均 RLIO/LIO 比值达到：

也就是说，固定或不具备同类方向自适应分配机制的融合，确实可能出现“加了 Radar 反而更差”的情况。

这也是本文最值得借鉴的思想之一：

融合系统的目标不是让所有传感器一直存在感很强，而是让它们只在自己真正有信息优势的时候介入。

13. 消融实验：γ 管“强不强”，α 管“准不准”

论文在 BikeTunnel1、Park1 和 Airfield1 三条明显退化序列上做了完整消融。

表 2｜论文 Table III、IV。 固定权重、仅 α、仅 γ、以及 α + γ 的效果差异非常清楚。

先看没有任何重加权的固定权重基线。

三条序列 ATE 分别为：

完整 α + γ 后变为：

三条序列平均 ATE 从约：

降到：

对应平均下降约：

RTE 的平均值则从约：

降到：

对应下降：

更有意思的是两个模块单独打开时的差异。

只开 α 时，三个序列都有改善，但改善程度不完全一致；只开 γ 时，整体提升往往更明显。

这与它们的设计角色完全一致：

• γ 直接增加退化场景下 Radar 的整体信息强度，所以通常先把“约束不够”的问题压下去；
• α 不增加总量，而是把已有 Doppler 信息更准确地投到弱方向上，因此更像“定向优化”。

论文的描述非常精炼：

γ 决定 Radar 什么时候应该贡献更多，α 决定这些新增贡献应该指向哪里。

在 BikeTunnel1 的 RTE 随时间曲线里，这种互补关系也很明显。

图 5｜论文 Fig. 6。 固定权重在退化位置出现多个明显 RTE 峰值；α 能压低部分峰值；单独 γ 的抑制更强；完整 α + γ 最稳定。

14. BikeTunnel2：回到起点时，10.48 m 漂移被压到 0.14 m

如果说平均指标还不够直观，论文 Fig. 7 的回环起终点漂移几乎一眼就能看出差异。

图 6｜论文 Fig. 7。 固定 Radar 权重时，返回起点后的平移漂移为 10.48 m；完整 α + γ 方法将其降至 0.14 m。

对应漂移缩减约为：

这不是单纯把一条轨迹“平滑一点”，而是在极端几何条件下把长期积累的错误方向约束真正补了回来。

15. 参数 η：方向偏好越强越好吗？并不是

α_j 中有一个控制指数分布“尖锐程度”的参数 η：

η 越大，权重越集中到那些与退化子空间高度对齐的 Radar 点上。

直觉上好像应该越大越好，但实验并非如此。

在 BikeTunnel2 上：

• η = 0 相当于关闭点级重加权；
• 随 η 从 0 增大，ATE、RTE、最大 RTE 整体先快速下降；
• ATE 在 η = 3 时最低，为 0.386 m；
• RTE 和 RTE_max 在 η = 2 时最低，分别为 0.047 和 0.154；
• 当 η 增大到 4 后，三项指标重新变差。

论文给出的解释是：如果权重过度集中到少数 Radar 点，即便前面已经做过 outlier filtering，系统也会对剩余异常点变得更加敏感。

因此最终算法使用：

这个结果也再次说明，所谓“退化感知”不是把某些点权重无限放大，而是在方向补偿和异常值敏感性之间做平衡。

16. 实时性：自适应模块本身只增加约 0.93–2.95 ms

方向诊断、LOS coverage、逐点计算 α、扫描级计算 γ，听起来多了不少步骤，但论文的 runtime 结果显示，这部分并不是主要计算瓶颈。

表 3｜论文 Table V。 测试平台为 Intel Core i9-14900HX CPU、64 GB RAM。

四条代表序列上，自适应 Reweight 模块耗时约：

真正占大头的是紧耦合 nonlinear optimization，大约：

论文给出的完整总耗时在这些序列上约 46.68–58.29 ms，且所有评测序列均低于 100 ms，因此可以满足其 10 Hz LiDAR 设置下的实时要求。

从工程角度看，这一点很有价值：本文核心增益并不是靠一个重型网络或者复杂在线学习模块换来的，而是通过几何信息矩阵、低维特征分解和简单权重映射完成。

17. 这篇论文真正值得借鉴的地方，不只是“Radar 更强”

如果只看标题，TRaIL-Odom 很容易被归类为又一篇 Radar-LiDAR-Inertial Odometry。

但它更值得关注的是一种融合思路：让不同模态根据可观性动态接管自己擅长的方向。

传统多传感器融合很容易停留在“这个残差乘 1.0，那个残差乘 0.5”的工程调参阶段。只要场景变化，固定权重就会暴露问题。

TRaIL-Odom 往前走了一步：它没有试图直接估计一个完整且绝对准确的跨模态协方差，而是利用一个很可测、很物理的信号——LiDAR 当前扫描几何——来决定 Radar 应该如何介入。

从这一点看，整套方法有三层值得复用的思想。

第一层，是退化必须看方向，而不是只看一个“退化/不退化”的二值标签。

第二层，是补偿传感器也要先做 coverage check。主传感器某个方向弱，并不意味着另一个传感器当前一定能观到那个方向。

第三层，是“信息总量”和“信息方向”应该分开调节。γ 与 α 的分工非常清晰，也让消融结果具有很强的可解释性。

这比直接学习一个黑盒融合权重更朴素，但对定位和 SLAM 系统而言，往往也更容易调试、验证和移植。

18. 还有哪些边界和后续问题？

TRaIL-Odom 并没有声称把退化融合问题彻底解决。

首先，当前退化诊断只针对平移方向，旋转主要依靠高频 gyroscope 保持约束。对某些旋转也存在弱可观性的特殊场景，这套 3×3 平移法向信息矩阵并没有直接覆盖。

其次，点级重加权依赖 Radar LOS 对退化子空间具有足够 coverage。作者甚至通过约 20° 下倾安装 Radar 来改善可观性，因此换传感器、换 FOV、换安装位姿后，实际表现仍然会受到硬件布置影响。

另外，τ = 0.2、cond(M) < 30、η = 2 等参数仍然包含经验设定。论文强调实验使用统一参数、没有针对不同序列单独调参，但这些阈值在更广泛平台上的泛化仍值得进一步验证。

作者在结论中也明确把未来工作放在两个方向：更完整的 covariance propagation，以及把场景几何、运动学测量和传感器特定不确定性放进同一套 joint observability analysis 中。

也就是说，TRaIL-Odom 现在解决的是一个很重要但仍然局部的问题：

已知 LiDAR 哪些平移方向弱时，如何更合理地分配 Radar Doppler 信息。

而下一步更完整的问题会是：如何统一估计“每种传感器在每个状态方向上到底有多少可信信息”。

19. 总结

TRaIL-Odom 的贡献可以用一句很工程化的话概括：

不是“LiDAR 退化就把 Radar 打开”，而是“先判断 LiDAR 哪个方向退化，再检查 Radar 能不能补，能补的话决定哪几个 Radar 点更重要，同时决定这一帧 Radar 整体应该增强多少”。

它把固定 Radar 权重拆成了两个动态量：α_j 负责方向分配，γ 负责扫描级总增益，最终形成：

在严重退化场景中，这个看似不复杂的改动带来了非常显著的收益：三条退化序列消融中，平均 ATE/RTE 相对固定权重分别下降 86.0%/78.5%；BikeTunnel2 的 return-to-start drift 从 10.48 m 降至 0.14 m；同时 Reweight 模块额外开销仅为毫秒级。

更重要的是，这篇工作的启发并不局限于 Radar-LiDAR 融合。

对于视觉、LiDAR、Radar、轮速计、磁定位、UWB 乃至更多异构传感器，只要不同模态在不同状态方向上的可观性随环境变化，“固定权重”就很难永远合理。

未来真正更稳健的多传感器定位系统，可能并不是简单堆更多传感器，而是越来越清楚地回答三件事：

现在缺什么信息？谁能补？应该补到哪里？

TRaIL-Odom 给出了一个相当干净的几何答案。

论文信息

论文题目
TRaIL-Odom: Tightly Coupled Continuous Time Radar-IMU-LiDAR Odometry with Adaptive Doppler Weighting

作者
Chiyun Noh, Turcan Tuna, William Talbot, Marco Hutter, Laurent Kneip, Ayoung Kim

作者单位

• Seoul National University, Department of Mechanical Engineering
• ETH Zurich, Robotic Systems Lab (RSL)
• Robotics and AI Institute (RAI), Zurich

时间信息

• Manuscript received：2026-04-21
• Revised：2026-07-12
• Accepted：2026-08-23
• arXiv v1：2026-09-03

代码
https://github.com/ChiyunNoh/TRaIL-Odom

项目 / 数据集页面
https://chiyunnoh.github.io/TRaIL-Odom/

新品上新

新品预告｜简介EDU-BOX：拓展具身智能的连接与行动边界

让机器人真正走进真实场景：从“能移动”到“会认路”EDU-D360 × EDU-BOX 一体化智能机器人方案来了

“超级拓展坞”正式发布，EDU-BOX走向实际应用，让机器人从“会走”到“会干活”研发快人一步

福利优惠

推荐阅读

全面详解EDU-D360！具身机器人的一体感知小脑，全开放、真同步、强算力

太夯了！机器狗导航直接省 1年工期

如何解决具身机器人感知之痛？

详细介绍！超远距EDU-SCAN三维激光雷达扫描仪，为开放生态而生！
重磅发布！解锁百米高空无人机测绘！
重磅发布！2分钟重建百米高楼！
重磅发布！助力机器狗SLAM、重建三维世界！
SLAM挑战！EDU-SCAN清晰还原室内超大电子屏
SLAM挑战 ! 9分钟重建万
平地下停车场
这款科研神器丝滑复现最强SLAM：Fast-LIVO2！
三维激光扫描仪全国线下产品试用！
车载扫街，效果实测