ICRA 2026｜Depth Completion模型，低成本雷达突破野外度量深度估算
Quick Take
A novel depth completion model enables accurate depth estimation in challenging outdoor environments using sparse radar measurements.
Key Points
- Achieves high-precision depth from extremely sparse measurements.
- End-to-end latency of 53ms on Nvidia Jetson AGX Orin.
- Generates synthetic training data for outdoor environments.
Article Excerpt
From source RSS / original summary作者：研梦非凡人工智能原文链接链接：https://zhuanlan. zhihu. com/p/2031071527085528949arXiv 预印本链接：https://arxiv. org/abs/2603. XXXXX (注：2026年ICRA录用论文的 arXiv 编号，通常在作者推特或项目主页首发直达)GitHub 代码仓库：https://github. com/field-robotics/extreme-sparse-depth-completion (该团队已宣布开源，包含野外环境测试数据集与预训练权重)项目主页 (Project Page)：https://field-robotics. github.
io/sparse-depth-icra2026/ (内含高帧率的算法真机运行 Demo 视频) Depth Completion in Unseen Field Robotics Environments Using Extremely Sparse Depth Measurements (ICRA 2026)【亮点速览】攻克野外“盲区”：在深海、冰川、农业等低纹理、缺乏尺度信息的野外无结构环境中，纯视觉单目深度估计往往失效。 本文提出了一种全新的深度补全（Depth Completion）模型，仅利用极度稀疏的深度测量点（如低成本雷达，每帧仅10个点级别），就能预测出高精度的密集度量深度。 极低延迟部署：算法在Nvidia Jetson AGX Orin 边缘计算平台上实现了每帧53ms的端到端延迟，完全满足野外移动机器人的实时机载计算需求。 【创新点】第四通道融合架构：基于SOTA的单目深度估计模型 Depth Anything V2 (DAV2)，创新性地修改了编码器层，引入了表示稀疏深度测量的“第四输入通道”。 该架构既保留了原模型强大的泛化能力，又成功注入了绝对尺度信息。
针对野外场景的合成数据管线：针对真实野外深度数据集匮乏的问题，利用无人机图像结合运动恢复结构（SfM）生成带有纹理的3D网格，再通过Blender渲染多视角图像和深度真值，生成了专门针对野外环境的高质量合成训练集，极大降低了数据采集成本。 【成果】图1：野外真实环境下的极稀疏深度补全表现。 (a)工业厂房、农田、冰川、压载舱和水下峡湾等五个未见过的复杂野外场景输入，图中的蓝色方块代表每帧极少数的稀疏深度测量值（如由低成本雷达或特征点追踪获取）；(b)模型仅利用这些极稀疏提示作为引导，即可在缺乏绝对尺度和低纹理的恶劣条件下，成功预测并输出高精度的密集度量深度图。 雷峰网
Reader Mode unavailable (could not extract clean content).
Want this in your inbox every morning?
Daily brief at your local 8am — bilingual EN/中文, free.
