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 Letters（RA-L）2026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?t=172.8
1.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。
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）。
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1：D-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。
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。
2.2.核心模块2：DT-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。
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。
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。
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。
