[論文レビュー] BFAR-Bounded False Alarm Rate detector for improved radar odometry estimation

Anas Alhashimi, Daniel Adolfsson+3 more|arXiv (Cornell University)|Sep 20, 2021

Radar Systems and Signal Processing参考文献 28被引用数 5

ひとこと要約

本稿では、FMCWレーダーの高ノイズおよびクラッター問題に取り組み、状態の最良手法と比較して12.5%のオドメトリ誤差低減を達成する、境界付き誤報率（Bounded False Alarm Rate, BFAR）検出器を提案する。この検出器は、推定ノイズレベルのアフィン変換により最適なノイズしきい値パラメータを学習し、オックスフォードレーダーロボットカーデータセット上で性能を向上させる。

ABSTRACT

This paper presents a new detector for filtering noise from true detections in radar data, which improves the state of the art in radar odometry. Scanning Frequency-Modulated Continuous Wave (FMCW) radars can be useful for localization and mapping in low visibility, but return a lot of noise compared to (more commonly used) lidar, which makes the detection task more challenging. Our Bounded False-Alarm Rate (BFAR) detector is different from the classical Constant False-Alarm Rate (CFAR) detector in that it applies an affine transformation on the estimated noise level after which the parameters that minimize the estimation error can be learned. BFAR is an optimized combination between CFAR and fixed-level thresholding. Only a single parameter needs to be learned from a training dataset. We apply BFAR to the use case of radar odometry, and adapt a state-of-the-art odometry pipeline (CFEAR), replacing its original conservative filtering with BFAR. In this way we reduce the state-of-the-art translation/rotation odometry errors from 1.76%/0.5deg/100 m to 1.55%/0.46deg/100 m; an improvement of 12.5%.

研究の動機と目的

• FMCWレーダーの高ノイズおよびクラッターがオドメトリ性能を低下させるという課題に対処する。
• 環境依存の正確なP_FA設定を必要とし、変動するノイズ条件下で失敗する古典的CFAR（Constant False-Alarm Rate）検出器の限界を克服する。
• 検出感度と誤報制御のバランスを取った、レーダー専用オドメトリに適した、耐障害性があり学習可能な検出器を開発する。
• CFEARパイプラインに統合された際のBFARの有効性を実証する。
• 訓練データから1つのパラメータを学習することで、手動によるP_FAチューニングの必要性を回避し、柔軟なパrameter選択を可能にする。

提案手法

• BFARは、スケール係数（a）とオフセット（b）でパrameter化されたアフィン変換を推定ノイズレベルに適用し、動的しきい値を設定する。
• この手法は、固定されたP_FA値に依存せず、訓練データ上でオドメトリ推定誤差を最小化することで、しきい値パラメータ（a, b）を最適化する。
• BFARはCA-CFARと固定しきい値法の中間的設計であり、非定常ノイズに対して耐性を保ちつつ高い検出精度を維持する。
• 検出器は、元来の保守的フィルタリング機構を置き換える形でCFEARオドメトリパイプラインに統合される。
• パラメータ学習は、a, bのグリッドサーチにより実施され、P_FA_ub（誤報率の上限）はaから導出され、誤報率の境界付き性能を保証する。
• 本手法はオックスフォードレーダーロボットカーデータセット上で評価され、ベースラインのレーダーオドメトリおよびLiDARオドメトリ手法と比較される。

実験結果

リサーチクエスチョン

• RQ1 学習可能な検出器は、古典的CFARと比較して、ノイズフィルタリングの改善により、レーダー専用ローカライゼーションにおけるオドメトリ誤差を低減できるか？
• RQ2 変動する環境ノイズおよびクラッター条件下で、BFARの性能はCA-CFARおよび他のレーダーオドメトリベースラインと比較してどうなるか？
• RQ3 1つの学習済みパラメータ（a）とオフセット（b）が、多様なレーダー信号条件において検出の耐障害性をどの程度向上できるか？
• RQ4 P_FAが不明または変動する状況において、従来のCFARと比較してBFARはより柔軟で信頼性の高いパラメータ選択を可能にするか？
• RQ5 BFARは、CFEARのような既存のオドメトリパイプラインに効果的に統合可能であり、最先端の性能を達成できるか？

主な発見

• BFARは、オックスフォードレーダーロボットカーデータセット上で並進誤差を1.76%から1.55%、回転誤差を0.5°から0.46°に低減し、状態の最良手法と比較して12.5%の改善を達成した。
• BFARの最適パラメータはa=1、b=20であり、これに相当するP_FA_ubは9.5×10⁻⁷であり、テストシーケンス全体でオドメトリ誤差を最小化した。
• BFARは、P_FA_ubが1（固定レベルしきい値と同等）を含む広範なP_FA_ub範囲においても低誤差を維持し、パラメータ変動に対する耐性を示した。
• これに対して、CA-CFARはP_FAの狭い範囲外では性能が急激に低下し、BFARの優れた柔軟性と信頼性を浮き彫りにした。
• CFEARパイプラインへのBFAR統合は、元のCFEARのk個の強いフィルタリングよりも低い誤差を達成した。これは、学習済みしきい値手法の優位性を確認するものである。
• BFARはHero、Under the Radar、Barnes Dual Cartなどの複数のレーダーオドメトリベースラインを上回り、一部のシーケンスではLiDARベースのSuMa性能に近づいた。