[論文レビュー] Lidar-level localization with radar? The CFEAR approach to accurate, fast and robust large-scale radar odometry in diverse environments

Daniel Adolfsson, Martin Magnusson+3 more|arXiv (Cornell University)|Nov 4, 2022

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

本論文では、回転するレーダーを用いてライダー水準の局所化精度を達成する学習不要でリアルタイムなレーダオドメトリ手法CFEARを提案する。運動補償付きの1対多スキャン登録とロバストな損失関数、方向性のある表面点推定を組み合わせることで、先行するレーダオドメトリ比でドリフトを38%低減し、オックスフォード・レーダーロボットカーベンチマークで5 Hzで1.09%の変位誤差を達成した。これはループクロージャーなしでライダーSLAM性能に近づき、最先端のレーダSLAMを上回った。

ABSTRACT

This paper presents an accurate, highly efficient, and learning-free method for large-scale odometry estimation using spinning radar, empirically found to generalize well across very diverse environments -- outdoors, from urban to woodland, and indoors in warehouses and mines - without changing parameters. Our method integrates motion compensation within a sweep with one-to-many scan registration that minimizes distances between nearby oriented surface points and mitigates outliers with a robust loss function. Extending our previous approach CFEAR, we present an in-depth investigation on a wider range of data sets, quantifying the importance of filtering, resolution, registration cost and loss functions, keyframe history, and motion compensation. We present a new solving strategy and configuration that overcomes previous issues with sparsity and bias, and improves our state-of-the-art by 38%, thus, surprisingly, outperforming radar SLAM and approaching lidar SLAM. The most accurate configuration achieves 1.09% error at 5Hz on the Oxford benchmark, and the fastest achieves 1.79% error at 160Hz.

研究の動機と目的

• パrameterチューニングなしで多様な現実世界環境に一般化可能な、高精度で高速かつ頑健なレーダオドメトリシステムの開発。
• スパarsity、ノイズ、バイアスといったレーダオドメトリの課題を、運動補償とマルチスイープスキャン登録の統合により克服すること。
• 学習やループクロージャーなしに、レーダーのみでライダーSLAMに相当する性能を達成すること。
• フィルタリング、解像度、損失関数、キーフレーム履歴といった主要な構成要素がオドメトリ精度に与える影響を体系的に評価・定量すること。

提案手法

• 原始的なレーダースキャンから方向性のある表面点を抽出するための保守的フィルタリング戦略を採用し、特徴の品質を向上させ、ノイズを低減する。
• 最新のスキャンを同時に複数の過去のキーフレームに登録する1対多スキャン登録を実行し、点対線距離を最小化する。
• 外れ値を低減し、スぺークルノイズやゴーストオブジェクトの影響を軽減するために、ロバストな損失関数を適用する。
• データ取得中のプラットフォームの運動を補正するため、各スイープ内に運動補償を統合し、登録の正確性を向上させる。
• 低品質な特徴に対して頑健性を高めるために、強度重み付き表面点推定と残差重み付けを採用する。
• 新しい解法戦略により計算を高速化し、標準CPU上で最大160 Hzのリアルタイム性能を実現する。

実験結果

リサーチクエスチョン

• RQ1 各レーダースイープ内に運動補償を統合することにより、動的環境下でのオドメトリ精度と頑健性にどのような影響を与えるか？
• RQ2 キーフレーム履歴とマルチスキャン登録は、スパースなレーダーデータにおけるドリフト低減とポーズ推定の向上にどのような影響を及えるか？
• RQ3 フィルタリング、解像度、損失関数、および残差重み付けが、レーダオドメトリの性能にどのように統合的に影響を与えるか？
• RQ4 学習不要のレーダオドメトリパイプラインは、屋外都市部、森林、屋内倉庫、地下坑道といった多様な環境で、パrameter変更なしに一般化可能か？
• RQ5 ループクロージャーや精緻化なしに、レーダオドメトリはライダーSLAM性能にどの程度近づけるか？

主な発見

• 最も精度の高いCFEAR設定では、オックスフォード・レーダーロボットカーデータセットで5 Hzで1.09%の変位誤差を達成し、先行するレーダオドメトリ比で38%の改善を示した。
• 最も高速な設定では160 Hzで動作し、1.79%の変位誤差を示し、標準ハードウェア上でリアルタイム実現の可能性を示した。
• オックスフォードデータセットでは、現在の最先端のレーダSLAM手法比で40.4%のドリフト低減を達成し、MulRANデータセットでは26.7%の改善を示した。
• パrameterチューニングなしで、都市部、森林、倉庫、地下坑道といった多様な環境に安定して一般化した。
• ロバストな損失関数と運動補償を組み合わせた1対多スキャン登録は、特にスパースまたはノイズの多い条件下でバイアスとノイズを顕著に低減した。
• アブレーションスタディにより、強度重み付き表面点、残差重み付け、運動補償がドリフト低減と精度向上に不可欠であることが確認された。