RA-L‘26｜港大先进院DPNet：首个多普勒激光雷达与运动规划器深度融合框架，高动态场景精准避障

点击下方卡片关注「3D视觉工坊」公众号选择星标干货第一时间送达作者Zuo Wei(授权发布) | 来源3D视觉工坊「3D视觉从入门到精通」知识星球(点开有惊喜) 星球内有20多门3D视觉系统课程、3DGS独家系列视频讲解、顶会论文最新解读、海量3D视觉行业源码、项目承接、求职招聘等。想要入门3D视觉、做项目、搞科研欢迎加入引言机器人在高动态环境中的避障难题一直是robotics领域的研究热点。近日港大、中科院深圳等多机构联合提出DPNet首次将多普勒激光雷达融入运动规划破解这一痛点相关成果已被IEEE Robotics and Automation LettersRA-L2026年4月正式录用。0.论文信息标题DPNet: Doppler LiDAR Motion Planning for Highly-Dynamic Environments核心贡献首个将多普勒激光雷达与运动规划器深度融合的框架DPNet通过多普勒模型学习实现高动态环境下的高频、高精度障碍物跟踪与运动规划解决传统方法延迟高、精度低的痛点。作者Wei Zuo, Zeyi Ren, Chengyang Li, Yikun Wang, Mingle Zhao, Shuai Wang, Wei Sui, Fei Gao, Yik-Chung Wu, Chengzhong Xu机构香港大学中国科学院深圳先进技术研究院澳门大学地瓜机器人浙江大学原文链接https://arxiv.org/abs/2512.00375视频链接https://www.bilibili.com/video/BV17MQvBxEUa?t172.81.Motivation:为什么运动规划器在高动态场景下容易失效在自动驾驶、无人机避障等高动态场景中障碍物如高速行驶的车辆、突发移动的行人运动速度快、轨迹多变运动规划器需实时预判其未来位置才能提前避障。 传统方法依赖普通激光雷达LiDAR只能获取障碍物的空间位置需通过多帧扫描、卡尔曼滤波等方式间接估计速度不仅延迟高无法及时响应突发障碍精度也难以满足高动态场景需求极易导致避障失败。而多普勒激光雷达Doppler LiDAR的核心优势是——可直接获取障碍物的实时速度信息无需间接估计这为解决高动态避障难题提供了关键支撑。为此作者团队提出DPNet首次将这种传感器与运动规划器深度融合打造全新规划范式。2.DPNet两大核心模块分析要实现“多普勒激光雷达运动规划”的高效融合DPNet设计了两大核心模块分别解决“障碍物速度与位置预测”和“自身运动规划参数优化”两大关键问题二者协同工作实现高频、高精度规划。DPNet整体框架D-KalmanNet左负责障碍物轨迹预测与DT-MPC右负责自身运动规划与参数优化协同实现高动态环境下的高效避障。要理解Doppler LiDAR是如何被DPNet运用的首先要了解它的原理也就是和传统LiDAR的不同之处。如下图所示对于点云中的每一个扫描点Doppler LiDAR除了提供传统的三维空间坐标x,y,z还提供了多普勒速度Doppler velocity测量。多普勒速度代表着扫描点实时线性速度linear velocity在扫描激光方向的分量也就是径向速度。多普勒速度的正/负分别代表扫描点径向速度方向的离开outgoing/靠近incoming。多普勒激光雷达的原理示意左和对环境中动态物体的感知展示右基于这个原理Doppler LiDAR能够做到对每一个扫描点的速度信息进行实时直接测量。目前相关研究已经证明了它在SLAM、目标检测等领域的强大之处。本文介绍的DPNet则是其在运动规划器领域的首次应用2.1.核心模块1D-KalmanNet多普勒激光雷达获取的是“径向速度”即障碍物速度在激光扫描方向的分量无法直接用于障碍物运动预测。D-KalmanNet的核心任务就是通过几何矫正从径向速度中恢复障碍物的真实线性速度再结合卡尔曼滤波与RNN网络精准预测障碍物未来位置为后续规划提供依据。多普勒速度矫正过程通过几何计算将雷达获取的径向速度转化为障碍物可直接用于预测的真实线性速度。随后DPNet将矫正后的线性速度融入到了D-KalmanNet一个基于卡尔曼滤波器的RNN网络。D-KalmanNet可以学习障碍物的线性速度与位置信息并以此对其未来位置进行预测从而指导下游运动规划。D-KalmanNet模块示意用于学习及预测障碍物未来位置。2.2.核心模块2DT-MPC传统MPC模型预测控制控制器的参数调整往往需要等待“碰撞、靠近”等失败案例才能触发效率极低。而DT-MPC的创新是结合D-KalmanNet预测的障碍物轨迹提前预判“未来可能发生的碰撞”无需实际失败案例就能实时调整MPC参数大幅提升规划效率和安全性。DT-MPC模块示意用于基于多普勒推测碰撞进行在线控制器调参。DT-MPC的关键在于多普勒推测碰撞Doppler-inferred collision。在DT-MPC中未执行的MPC horizon规划时域被视作对ego motion自身运动的预测。结合前述D-KalmanNet中对障碍物的预测多普勒推测碰撞的检测通过如下两个步骤开展对于任何一个障碍物在horizon中的任何一步检查其与对应步中ego的距离。如果小于某个距离阈值则认定为多普勒推测碰撞。根据不同障碍物存在的多普勒碰撞的先后顺序进行MPC安全距离参数的tuning参数调优。由此得益于Doppler LiDAR提供的精准实时速度感知DT-MPC可以实现不依赖于实际失败案例的在线控制器调参避免了数据收集带来的低效率。3.实验部分高动态环境下预测和导航双双碾压3.1.仿真实验CARLA导航测试实验第一部分在DynaBARN测试集上开展CARLA导航仿真测试该测试集提供完全随机的高动态障碍物环境。测试结果显示DPNet的无碰撞通过率远超OBCA、RDA、MPC-D-CBF等主流方法尤其是障碍物数量较多时优势更为明显 消融实验DPNet(ablation)进一步证明DT-MPC模块是提升无碰撞通过率的关键。导航定量结果横坐标为障碍物数量纵坐标为无碰撞通过率可见随着障碍物增多DPNet的通过率始终保持高位显著优于其他基准方法。导航定性展示详见视频链接直观呈现DPNet在高动态障碍物环境中的避障效果响应迅速、轨迹平滑。3.2. 真实数据集实验障碍物位置预测测试实验第二部分在AevaScenes多普勒雷达数据集上开展D-KalmanNet障碍物位置预测测试该数据集涵盖城市与高速双场景能有效验证模型的泛化性。测试结果显示在对比KalmanFilter、Doppler-KalmanFilter和KalmanNet三种方法时D-KalmanNet展现出超高的预测精度尤其在高速移动障碍物场景中表现突出。D-KalmanNet预测定量结果在城市、高速双场景下D-KalmanNet的预测精度均显著高于其他对比方法。对于25m/s速度车辆位置预测的聚焦展示D-KalmanNet能精准跟踪高速移动车辆的轨迹预测误差远低于对比方法。3.3.硬件效率测试作者团队在NVIDIA Jetson Orin NX嵌入式平台上对D-KalmanNet进行了硬件效率测试结果显示模型能实现高频运行充分证明其轻量化特性可满足实际机器人系统的部署需求为后续落地应用奠定基础。在NVIDIA Jetson Orin NX嵌入式平台上D-KalmanNet实现高频运行证明其轻量化特性可满足实际机器人部署需求。4.总结DPNet的核心突破在于首次将多普勒激光雷达Doppler LiDAR的速度感知优势与运动规划深度融合打破了传统规划方法“依赖间接速度估计”的瓶颈为高动态场景自动驾驶、无人机、服务机器人等的运动规划提供了全新范式。其轻量化、高频、高精度的特点确保机器人系统能像人类一样“快速反应、精准避障”。结合DPNet的突破未来可探索的方向十分广阔1.将多普勒激光雷达与更多机器人系统结合如无人机、仓储机器人解决各类高动态场景的避障难题2.进一步优化模型提升极端环境如雨天、雾天下的速度感知精度等等。本文仅做学术分享如有侵权请联系删文。3D视觉方向论文辅导来啦可辅导SCI期刊、CCF会议、本硕博毕设、核心期刊等。添加微信cv3d001备注姓名方向单位邀请入群。