Mitigating Radar-Inertial Calibration Ambiguities via SO(3) Manifold Steering¶

会议: ECCV 2026
论文: ECCV 原文
代码: https://github.com/MetaIoT-WHU/RadarCalib
领域: 自动驾驶 / 3D 视觉
关键词: 毫米波雷达, 雷达-惯导外参标定, 时域合成孔径, SO(3)流形导向, 频域对齐

一句话总结¶

提出免标定板的即插即用雷达-惯导时空外参标定框架 RadarCalib，利用旋转运动诱导的时域合成孔径（TSA）在频域提取与场景无关的方位谱漂移，结合循环不变性正则化与刚体运动学速度/位姿约束，在 SE(3) 流形上消除毫米波雷达因点云稀疏与角分辨率粗糙引起的标定歧义与局部极小陷阱，实现亚度级旋转与厘米级平移精度。

研究背景与动机¶

在极端天气、低照度与非结构化恶劣场景中，毫米波雷达（mmWave Radar）因具备穿透介质、测速直接以及对光照不敏感等物理优势，成为多传感器融合感知的关键支撑。然而，要完全释放雷达与惯性测量单元（IMU）紧耦合融合的潜力，必须依赖精确的六自由度时空外参标定。传统相机-IMU 或激光雷达-IMU 标定高度依赖密集几何基元或稳定的跨模态特征对应，而毫米波雷达物理阵列天线孔径较小，导致角分辨率天然粗糙（通常仅 10°~30°），且伴随严重的径向多径伪影、杂波反射以及反射点云高度稀疏与不规则等物理退化，使得几何特征点匹配与帧间关联极易失效。

现存标定方案通常需要布置特定的人工标志物（如角反射器或标定靶板），这严重限制了机器人与无人车辆在实际作业现场的在位重标定需求。近期探索的无靶标运动学自标定方案（如基于滤波或图优化的点云配准方法），往往强制假设匀速运动或静态理想环境，在稀疏反射主导的退化场景中极易陷入缺乏拓扑几何约束的困境。此时，点对点匹配不仅收敛缓慢，更容易在 SO(3) 流形优化曲面上陷入虚假局部极小值，甚至发生流形退化与优化崩溃。

本文观察到一个关键物理事实：尽管雷达单帧反射点云稀疏且角度模糊，但高频多普勒测速在物理上高度稳定，且传感器发生 3D 旋转时在时间维度上会连续扫过空间角度，天然构成时域合成孔径（Temporal Synthetic Aperture, TSA）。更重要的是，合成孔径谱能量在方位维度的逐帧位移严格取决于雷达自身角速度，对外部场景几何结构与目标分布完全不敏感。核心 idea：利用旋转运动形成时域合成孔径重构高分辨率方位角能量谱，在频域建立不依赖点对应关系的循环不变性旋转约束，进而联合多普勒速度运动学与短时域位姿一致性在 SE(3) 流形上完成免靶标外参闭环求解。

方法详解¶

整体框架¶

RadarCalib 的输入为雷达原始 ADC 采样（或中频信号快照）与 IMU 高频测量流（线加速度与角速度），输出为两传感器之间的刚体变换矩阵 $T_I^R = [R_I^R \mid t_I^R] \in \mathrm{SE}(3)$ 与时钟偏移 $\tau$。系统先通过 IMU 积分角速度沿雷达法向虚拟轴投影驱动时域合成孔径（TSA），在频域对齐连续帧的高分辨率方位能量剖面，并引入转动 $2\pi$ 的软聚合循环不变性正则化构建旋转残差；同时，利用静止地物反射的多普勒正弦包络拟合提取瞬时雷达线速度，并基于刚体运动学杠杆臂效应构建速度残差；最后辅以短时域滑动窗口位姿一致性约束，在 Ceres Solver 中基于李代数微元摄动完成两阶段联合流形优化。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["输入数据<br/>雷达 ADC 快照 + IMU 原始测量"] --> B["时域合成孔径增强<br/>角速度虚拟孔径采样 + 频域高分辨相干积累"]
    B --> C["循环不变性频域正则化<br/>2π周期软加权分布对齐构建旋转残差"]
    A --> D["杠杆臂多普勒速度约束<br/>多普勒正弦包络拟合 + 刚体运动学杠杆臂效应"]
    B & D --> E["短时域位姿一致性约束<br/>滑动窗口局部轨迹对齐抑制累积漂移"]
    C & D & E --> F["Ceres 流形联合优化<br/>SE(3)两阶段优化 + 旋转初始化后全参数求解"]
    F --> G["标定输出<br/>雷达-惯导高精度外参 T_I^R 与时间偏移 τ"]

关键设计¶

1. 时域合成孔径增强：突破物理天线阵列角分辨率极限

单帧毫米波雷达因接收阵列基线短，方位角分辨率极低且点云高度弥散，无法提供稳定的几何约束。本文提出利用刚体旋转运动构建虚拟时域合成孔径（TSA）。设 IMU 在其机体坐标系下的角速度为 $\boldsymbol{\omega}_I(t)$，指定雷达坐标系下的天线垂直法向轴 $\mathbf{a}_R = \mathbf{e}_z$，则驱动时域合成孔径的有效角速度标量为 $\omega_R(t) = \mathbf{a}_R^\top \mathbf{R}_I^R \boldsymbol{\omega}_I(t)$。物理阵列中第 $m$ 个阵元物理坐标为 $\mathbf{p}_m = [d_r, 0, z_m]^\top$（$d_r$ 为等效旋转半径），在连续绕轴旋转下，其虚拟天线阵元在世界坐标系中的轨迹退化为圆柱面空间采样： $$\mathbf{x}_m^W(t) = \begin{bmatrix} d_r \cos \phi(t) & d_r \sin \phi(t) & z_m \end{bmatrix}^\top, \quad \phi(t) = \phi_0 + \int_{t_0}^t \omega_R(\tau) d\tau$$ 在离散采样时刻 $\{t_k\}_{k=0}^K$ 收集复数雷达快照 $s_m(t_k)$，引入自适应角速度归一化权重 $w_k = \omega_R(t_k) / \bar{\omega}$ 以补偿非匀速运动导致的角空间非均匀采样，对远场方向 $\mathbf{u}(\theta, \varphi)$ 进行相干波束形成积分： $$y_t(\theta, \varphi) \propto \sum_{k=0}^K \sum_{m=1}^M w_k s_m(t_k) \exp\big(-j k\, \mathbf{u}(\theta, \varphi)^\top \mathbf{x}_m^W(t_k)\big)$$ 随着累积旋转视角的展开，等效天线物理孔径被成倍虚拟拓宽，方位波束主瓣宽度显著收窄，将原本模糊的一维方位谱转换为清晰的能量尖峰。

2. 循环不变性频域正则化：规避帧间微小差分陷阱与局部塌陷

从合成孔径波束输出中边际化俯仰角 $\varphi \in \mathcal{B}$ 得到 1D 强稳健方位能量分布 $E_t(\theta) = \sum_{\varphi \in \mathcal{B}} |y_t(\theta, \varphi)|^2$。理论上相邻帧在纯雷达自转驱动下满足 $E_{t+1}(\theta) \approx E_t(\theta + \omega_R(t)\Delta t)$。然而，直接对微分角度位移进行数值回归极其容易受局部噪声干扰而陷入多局部极小值。本文利用雷达自身旋转的一个本质代数性质——空间 $2\pi$ 循环不变性：即当累积航向偏航角 $\Psi(t) = \int_{t_0}^t \omega_R(\tau) d\tau$ 遍历 $2\pi$ 后，周围场景在方位维的频域能量分布必定理性重合。定义基于高斯核的软聚合参考能量谱： $$\bar{E}_{t\circlearrowright}(\theta) = \sum_k \alpha_k(t) E_{t_k}(\theta), \quad \alpha_k(t) = \frac{\exp\big(-(\Psi(t_k) - \Psi(t) - 2\pi)^2 / (2\sigma_\kappa^2)\big)}{\sum_i \exp\big(-(\Psi(t_i) - \Psi(t) - 2\pi)^2 / (2\sigma_\kappa^2)\big)}$$ 并基于加权形状散度构建关于外参旋转 $\mathbf{R}_I^R$ 全局可微的频域循环残差： $$\mathcal{R}_{\text{cycle}}(t; \mathbf{R}_I^R) = \mathbf{W}_\theta \big( \mathbf{N}(E_t) - \mathbf{N}(\bar{E}_{t\circlearrowright}) \big)$$ 其中 $\mathbf{N}(\cdot)$ 为对数功率归一化算子，$\mathbf{W}_\theta$ 为基于信噪比的置信度权重。该残差直接取代传统运动学中极其脆弱不可观的角速度残差 $\mathcal{R}_\omega(t)$，利用宏观循环不变性对流形优化进行强正则化，收窄可行解空间，彻底避免了传统点云配准在稀疏环境下的发散与塌陷。

3. 杠杆臂多普勒速度约束：激发平移参数完全可观性

静态环境中，雷达测量到的径向多普勒速度满足几何正弦投影 $v_{ri} = -v_R(t) \cos(\alpha_i - \beta)$。通过可微加权最小二乘法对多普勒观测进行曲线拟合，系统不仅能高鲁棒估计雷达瞬时平移线速度 $\mathbf{v}_R(t)$，还能自然剔除动态移动障碍物引入的多普勒离群点。根据刚体运动学，雷达速度与 IMU 预积分速度和角速度存在如下严格映射： $$\mathbf{v}_R(t) = \mathbf{R}_I^R \big( \mathbf{v}_I(t) + \boldsymbol{\omega}_I(t) \times \mathbf{t}_R^I \big)$$ 其中 $\mathbf{t}_R^I = -\mathbf{R}_I^R \mathbf{t}_I^R$ 为两传感器之间的平移杠杆臂。核心物理机制在于：当传感器平台产生角速度激励时，叉积项 $\boldsymbol{\omega}_I(t) \times \mathbf{t}_R^I$ 使得纯平移外参在多普勒观测下变得完全可观。对于特定不可观自由度，引入正交投影矩阵 $\mathbf{P}(t)$ 过滤冗余分量，构建滤波后的鲁棒速度残差 $\tilde{\mathcal{R}}_v(t) = \mathbf{P}(t) \mathcal{R}_v(t)$。

4. 短时域位姿一致性约束：兼顾局部轨迹约束与零漂抑制

为抑制开环积分长序列中累积的二阶漂移并提供全局 SE(3) 刚性约束，算法在短时滑动窗口（数个雷达帧周期内）引入雷达自身姿态与 IMU 预积分位姿的一致性残差： $$\mathcal{R}_o(t) = \log\Big( \mathbf{T}_R(t)^{-1} \mathbf{T}_I^R \mathbf{T}_I(t) (\mathbf{T}_I^R)^{-1} \Big)^\vee$$ 其中 $\mathbf{T}_I(t)$ 采用带重力加速度与偏置补偿的标准 IMU 预积分增量，$\mathbf{T}_R(t)$ 由频域校准后的雷达运动估计给出。限定在短时滑动窗口内计算不仅避免了传统 SLAM 里程计长距离漂移对标定精度的污染，而且有效约束了流形曲面的收敛方向。

损失函数 / 训练策略¶

系统将上述三个物理项统一为 SE(3) 上的非线性最小二乘目标函数，并结合 Huber 鲁棒核函数 $\rho(\cdot)$ 抑制残差异常： $$\min_{\mathbf{R}_I^R, \mathbf{t}_I^R} \sum_t \Big\{ \rho\big(\|\mathcal{R}_o(t)\|_{\boldsymbol{\Sigma}_o}^2\big) + \rho\big(\|\tilde{\mathcal{R}}_v(t)\|_{\boldsymbol{\Sigma}_v}^2\big) + \rho\big(\|\mathcal{R}_{\text{cycle}}(t)\|_{\boldsymbol{\Sigma}_\omega}^2\big) \Big\}$$ 求解基于 Google Ceres Solver 展开，旋转采用最小李代数轴角摄动更新 $\mathbf{R}_I^R \leftarrow \mathbf{R}_I^R \exp(\widehat{\delta\boldsymbol{\theta}})$，平移采用线性加和更新 $\mathbf{t}_I^R \leftarrow \mathbf{t}_I^R + \delta\mathbf{t}$。优化采用分阶段递进策略： - 阶段一（旋转粗对齐）：锁定平移分量，仅使用循环不变谱残差对外参旋转矩阵 $\mathbf{R}_I^R$ 进行快速求解，消除大角度初值误差； - 阶段二（全状态联合优化）：以阶段一得到的旋转为初始锚点，联合速度、位姿与频域残差同时优化 $(\mathbf{R}_I^R, \mathbf{t}_I^R)$。算法每轮仅需求解 $6 \times 6$ 极小正规方程系统，一般在 30~45 次迭代内即可稳定收敛。

实验关键数据¶

主实验¶

标定实验在自主搭建的真实多模态感知平台上展开，硬件包括 TI AWR1843BOOST 毫米波雷达、MicroStrain 3DM-GX5-45 工业级 IMU 以及 Jetson Orin Nano，通过高精度 3D 打印机械槽位实现已知 CAD 真值（包含多种不同安装位姿 P.1 与 P.2）。对比基线选用当前 SOTA 的开源无靶标点云标定系统 iKalibr。下表呈现了实验室（Lab, L）、走廊（Corridor, C）、大厅（Hall, H）与室外（Outdoor, O）4 类真实典型场景下的蒙特卡洛时空外参标定平均误差（角度误差单位为 deg，平移误差单位为 cm）：

方法	场景与安装位姿	旋转误差 $\delta\theta(r)$	旋转误差 $\delta\theta(p)$	旋转误差 $\delta\theta(y)$	平移误差 $\delta p(x)$	平移误差 $\delta p(y)$	平移误差 $\delta p(z)$	时间偏移 $\tau$ (ms)
RadarCalib (Ours)	实验室 (L), P.1	0.11 ±0.04	0.22 ±0.22	0.15 ±0.25	0.03 ±0.12	0.21 ±0.17	0.05 ±0.03	-68.27 ±0.13
RadarCalib (Ours)	走廊 (C), P.1	0.25 ±0.22	0.14 ±0.21	0.12 ±0.12	0.21 ±0.23	0.02 ±0.14	0.03 ±0.15	-57.19 ±0.16
RadarCalib (Ours)	走廊 (C), P.2	0.20 ±0.22	0.15 ±0.17	0.18 ±0.19	0.28 ±0.22	0.19 ±0.18	0.25 ±0.17	-57.85 ±0.28
RadarCalib (Ours)	大厅 (H), P.1	0.23 ±0.11	0.21 ±0.21	0.22 ±0.12	0.11 ±0.12	0.08 ±0.02	0.02 ±0.01	-41.91 ±0.33
RadarCalib (Ours)	大厅 (H), P.2	0.25 ±0.24	0.18 ±0.20	0.21 ±0.22	0.22 ±0.10	0.16 ±0.12	0.19 ±0.20	-56.60 ±0.42
RadarCalib (Ours)	室外 (O), P.1	0.42 ±0.25	0.34 ±0.12	0.46 ±0.18	0.16 ±0.09	0.34 ±0.02	0.22 ±0.01	-71.91 ±0.33
RadarCalib (Ours)	室外 (O), P.2	0.40 ±0.35	0.42 ±0.28	0.35 ±0.26	0.30 ±0.10	0.15 ±0.12	0.18 ±0.14	-56.60 ±0.12
iKalibr [8]	实验室 (L), P.1	0.61 ±0.96	0.57 ±0.82	0.63 ±0.80	0.23 ±0.31	0.35 ±0.29	0.23 ±0.18	-66.60 ±0.17
iKalibr [8]	实验室 (L), P.2	0.73 ±0.64	0.75 ±0.72	0.88 ±0.83	0.68 ±0.94	0.67 ±0.88	0.61 ±0.79	-76.45 ±0.21
iKalibr [8]	走廊 (C), P.1	0.97 ±0.72	1.08 ±0.91	0.92 ±0.98	0.30 ±0.24	0.19 ±0.18	0.27 ±0.21	-76.53 ±0.42
iKalibr [8]	走廊 (C), P.2	1.02 ±0.47	0.80 ±0.51	0.83 ±1.07	0.75 ±0.80	0.58 ±0.92	0.63 ±0.72	-76.25 ±0.34
iKalibr [8]	大厅 (H), P.1	0.60 ±0.72	1.02 ±0.88	0.95 ±0.90	0.36 ±0.30	0.34 ±0.27	0.39 ±0.31	-86.60 ±0.45
iKalibr [8]	大厅 (H), P.2	0.81 ±1.16	0.90 ±1.01	1.08 ±0.98	0.78 ±0.66	0.62 ±0.61	0.81 ±0.75	-76.40 ±0.25
iKalibr [8]	室外 (O), P.1	1.25 ±0.72	1.02 ±0.88	0.95 ±0.90	0.36 ±0.30	0.34 ±0.27	0.39 ±0.31	-76.53 ±0.46
iKalibr [8]	室外 (O), P.2	1.41 ±1.36	1.30 ±1.11	1.28 ±0.98	0.78 ±0.66	0.62 ±0.61	0.81 ±0.75	-86.62 ±0.14

消融实验¶

为验证各模块对旋转与平移参数收敛的独立贡献，论文在实测数据集上实施组件剥离消融实验：

配置	旋转均值 (deg)	旋转 $\delta\theta(r)$	旋转 $\delta\theta(p)$	旋转 $\delta\theta(y)$	平移均值 (cm)	平移 $X$	平移 $Y$	平移 $Z$	说明
Full (Ours)	0.254	0.264	0.245	0.254	0.173	0.121	0.189	0.210	完整模型，旋转与平移均达到高精度
w/o TSA	0.929	0.930	0.905	0.953	0.661	0.844	0.563	0.578	去掉时域合成孔径，角度误差骤升近 4 倍
w/o Velocity	0.435	0.485	0.412	0.409	0.421	0.398	0.455	0.410	去掉速度约束，杠杆臂未被充分激发
w/o Pose	0.491	0.482	0.455	0.538	0.852	0.794	0.912	0.850	去掉短时位姿约束，平移误差恶化近 5 倍

此外，在计算开销与算法效率分析中（测试平台 Intel Xeon 6226R CPU @ 3.9 GHz）： - RadarCalib (Ours)：仅需 45 次迭代，单次迭代耗时 0.45 s，总优化时间 20.25 s。 - iKalibr [8]：需要 120 次迭代，单次迭代耗时 0.40 s，总优化时间 48.00 s。 - 加速比：RadarCalib 带来 2.4 倍 的端到端计算提速，证明频域强先验能极大规避无效搜索。

下游雷达惯导里程计（RIO SLAM）评估中，RadarCalib 外参在各类场景下的绝对轨迹误差（ATE RMSE）均显著优于 iKalibr（实验室 0.12 m vs 0.18 m，走廊 0.15 m vs 0.22 m，大厅 0.18 m vs 0.25 m，室外 0.20 m vs 0.28 m），全局漂移抑制达 20%。

关键发现¶

TSA 频域约束是消除旋转歧义的决定性支柱：消融数据显示，移除 TSA 频域模块后，平均旋转误差从 0.254° 激增至 0.929°，平移误差也连带恶化。这证明在毫米波雷达低信噪比与稀疏反射条件下，仅凭单帧弱角度测量无法稳定约束 SO(3) 流形。
运动学速度与短时位姿约束互补：去掉短时位姿约束后平移误差从 0.173 cm 恶化至 0.852 cm，说明局部流形轨迹一致性能强力抑制位姿漂移；去掉多普勒速度残差后平移误差增加至 0.421 cm，证明角速度与杠杆臂的叉积项是平移自由度完全可观的物理源头。
感知与空间分辨率的质的飞跃：在点云保真度评估中，TSA 滤波将倒角距离（Chamfer Distance, CD）稳定在 0.89~1.15 m（标准 CFAR 基线高达 1.01~1.52 m），有效点率（VPR）提升至 0.70~0.77（基线仅 0.56~0.70），且雷达方位 3 dB 主瓣宽度缩窄 20%，能有效区分相距 2°~3° 的临近目标。

亮点与洞察¶

将旋转运动化害为利的时域合成孔径思想：传统标定将剧烈旋转视为产生运动模糊与数据畸变的负面因素，而本文独辟蹊径地发现旋转运动恰好在时域上合成了大基线虚拟阵列，大幅提升了原本受硬件尺寸限制的天线方位分辨能力。
跳过脆弱点匹配的频域循环不变性对齐：放弃在噪声巨大、伪影丛生的稀疏点云上寻找几何对应，转而在连续能量谱中利用 $2\pi$ 自转的闭环重现特性设计软加权分布残差，从根源上规避了局部极小值崩溃。
高度轻量的端到端流形优化范式：通过流形李代数极小参数化建模，每次迭代仅需反演求解 $6 \times 6$ 极小规模线性系统，45 次迭代仅需 20.25 s 即可完成计算，为自动驾驶与机器人车载无靶标快速自标定提供了极大工程价值。

局限与展望¶

依赖一定程度的旋转激励运动：根据时域合成孔径机理与杠杆臂观测方程，平台必须包含非零的转动激励（$\boldsymbol{\omega} \neq \mathbf{0}$）。若系统处于严格长距离纯匀速直线巡航状态，方位角频域展开与平移杠杆臂的几何约束将被降维削弱。
垂直维度分辨率未做时域合成拓宽：当前汽车级雷达阵列主要为水平一维布局，本文方法主要聚焦于方位（Azimuth）维度的时域孔径展开，俯仰角（Elevation）仍通过切片边际化处理；未来可进一步探索复杂 3D 姿态微扰下的全向 4D 毫米波成像雷达时空孔径重构。
未来方向：探索与雷达惯导前端 SLAM 在线因子的双向实时重标定耦合，在车载长周期部署中持续自适应跟踪机械振动引起的外参缓慢漂移。

评分¶

新颖性: ⭐⭐⭐⭐⭐ [将时域合成孔径与 SO(3) 频域循环不变性引入无靶标雷达-惯导标定，构思精巧且理论完备]
实验充分度: ⭐⭐⭐⭐⭐ [多场景、多安装位姿硬件真值对比，详尽的消融实验、计算耗时及下游 SLAM 增益分析]
写作质量: ⭐⭐⭐⭐⭐ [物理机理推导严密清晰，问题阐述与架构设计层层递进]
价值: ⭐⭐⭐⭐⭐ [彻底解决了毫米波雷达角分辨率低导致标定易塌陷的工业痛点，即插即用且速度极快]