摘要
在无法使用全球导航卫星系统的情况下，汽车雷达已成为一种关键的导航技术。与基于视觉或激光雷达的传感器相比，它在恶劣天气和光照条件变化时具有更强的稳定性。尽管有这些优势，但雷达测量数据本身的稀疏性和噪声问题往往会导致估计精度和系统可靠性下降。为了解决这些问题，人们研究了多种基于雷达的定位方法，从基于优化的方法、与惯性测量单元结合的扩展卡尔曼滤波器方法，到像迭代最近点算法这样的点云配准技术。虽然在多传感器融合中，基于滤波器的方法因其稳定性而被广泛采用，但在以点云为中心的系统中，迭代最近点算法则被用于高精度的姿态估计。在本研究中，我们提出了一种新的雷达-惯性测距框架，该框架将基于迭代最近点算法的相对姿态估计与基于模型的传感器融合相结合。该方法利用从迭代最近点算法得到的相对变换以及通过雷达多普勒测量获得的自身速度估计值。为了有效纳入相对迭代最近点约束，我们采用了随机克隆技术来补充先前的状态及其相关协方差，从而确保能够明确考虑历史姿态的不确定性。通过公共开源数据集对所提方法的性能进行了验证，结果表明其定位精度更高，且性能比现有对比算法更为稳定。
