状态估计是成功实施机器人系统的关键组成部分，依赖于相机，LIDAR和IMU等传感器。然而，在现实情况下，这些传感器的性能是通过具有挑战性的环境来划分的，例如不利的天气条件和弱光场景。新兴的4D成像雷达技术能够在不利条件下提供强大的感知。尽管有潜力，但对于嘈杂的雷达数据没有明确的几何特征而言，室内环境仍然存在挑战。此外，雷达数据分解和视野（FOV）的差异可能导致不准确的测量结果。虽然先前的研究探索了基于多普勒速度信息的雷达惯性探测仪，但由于FOV和雷达传感器的分辨率差异，估计3D运动的挑战仍然存在。在本文中，我们解决了多普勒速度测量不确定性。我们提出了一种在管理多普勒速度不确定性的同时优化车身速度的方法。基于我们的观察结果，我们提出了双成像雷达配置，以减轻雷达数据中差异的挑战。为了获得高精度3D状态估计，我们引入了一种策略，该策略将雷达数据与消费级IMU传感器无缝整合，并使用固定lag平滑光滑优化。最后，我们使用现实世界3D运动数据评估了我们的方法，并演示了本地化和映射的流任务。