[論文レビュー] MAROAM: Map-based Radar SLAM through Two-step Feature Selection

Dequan Wang, Yifan Duan+4 more|arXiv (Cornell University)|Oct 25, 2022

Robotics and Sensor-Based Localization被引用数 4

ひとこと要約

MAROAM は、表面特徴を抽出する幾何学的フィルタリングを最初に行い、その後頻繁に検出される特徴のみを保持する確率的フィルタリングを適用する二段階の特徴選択戦略を用いるマップベースのレーダー SLAM フレームワークであり、堅牢でグローバルに一貫性のあるマップを生成する。これは、オックスフォード レーダー ロボットカー、MulRAN、Boreas データセットにおいて、それぞれ 7.95%、37.0%、8.9% の性能向上を達成し、スキャンからフレームへのオドメトリに対して 28.6% の改善を示す。

ABSTRACT

In this letter, we propose MAROAM, a millimeter wave radar-based SLAM framework, which employs a two-step feature selection process to build the global consistent map. Specifically, we first extract feature points from raw data based on their local geometric properties to filter out those points that violate the principle of millimeter-wave radar imaging. Then, we further employ another round of probabilistic feature selection by examining how often and how recent the feature point has been detected in the proceeding frames. With such a two-step feature selection, we establish a global consistent map for accurate and robust pose estimation as well as other downstream tasks. At last, we perform loop closure and graph optimization in the back-end, further reducing the accumulated drift error. We evaluate the performance of MAROAM on the three datasets: the Oxford Radar RobotCar Dataset, the MulRan Dataset and the Boreas Dataset. We consider a variety of experimental settings with different scenery, weather, and road conditions. The experimental results show that the accuracy of MAROAM is 7.95%, 37.0% and 8.9% higher than the currently best-performing algorithms on these three datasets, respectively. The ablation results also show that our map-based odometry performs 28.6% better than the commonly used scan-to-frames method. Finally, as devoted contributors to the open-source community, we will open source the algorithm after the paper is accepted.

研究の動機と目的

• ミリ波レーダー SLAM における低品質な特徴点がマップの一貫性とポーズ推定精度を低下させるという課題に対処すること。
• 二段階の特徴選択機構を導入することで、レーダー専用の SLAM におけるマップ品質の向上とドリフトの低減を図ること。
• ICP を用いたレーダー SLAM において、高周波で安定した特徴のみを用いて信頼性の高いスキャンからマップへのマッチングを実現すること。
• さまざまな実環境条�件、例えば天候、照明、道路種別が異なる状況下でもフレームワークの性能を評価すること。
• 受容後、オープンソースとして公開することで、オープンソースロボティクスコミュニティへの貢献を行うこと。

提案手法

• システムはまず、局所的な線形性と局所的集約を用いた幾何学的フィルタリングを実行し、レーダー像の原理に一致しない点を除外することで、生のレーダー点群から表面特徴を抽出する。
• 選択された表面特徴を用いて、点対線 ICP アルゴリズムが連続スキャン間の相対ポーズを推定し、登録精度を向上させる。
• 確率的フィルタリングにより、フレーム間で頻繁に検出されない特徴を動的に削除し、マップ構築に使用するのは安定的かつ繰り返し検出可能な特徴のみとする。
• フレームワークは、レーダー データ形式に適応した Scan Context を用いてループ閉じり検出を実施し、蓄積されたドリフトを是正する。
• バックエンドでグラフ最適化を適用してトラジェクトリとマップを精緻化し、グローバルな一貫性を向上させる。
• 最も頻繁に検出され、幾何学的に整合性のある特徴のみを用いてマップを段階的に更新することで、長期的な堅牢性を確保する。

実験結果

リサーチクエスチョン

• RQ1 特徴選択は、レーダー専用 SLAM システムにおけるマップ品質の向上とドリフト低減にどのように寄与するか？
• RQ2 幾何学的フィルタリングと確率的フィルタリングを組み合わせた二段階の特徴選択戦略は、レーダー SLAM における ICP を用いたスキャンからマップへのマッチングの堅牢性を向上させ得るか？
• RQ3 提案されたマップベースのオドメトリは、従来のスキャンからフレームへの方法と比較して、精度とドリフト低減の点でどの程度優れているか？
• RQ4 本フレームワークは、悪天候や低テクスチャ環境を含む多様な環境下でも、どの程度の性能を維持できるか？
• RQ5 ループ閉じりとグラフ最適化は、レーダー SLAM における最終的なトラジェクトリ精度にどの程度の貢献をしているか？

主な発見

• MAROAM は、オックスフォード レーダー ロボットカー データセットにおいて、既存で最高の手法よりも 7.95% の高い精度を達成した。
• MulRAN データセットでは、SOTA アルゴリズムの Hong SLAM v2 と比較して、ドリフト誤差を 37.0% 減少させた。
• Boreas データセットでは、HERO と比較して、変位誤差を 8.9%、回転誤差を 19.6% 減少させた。
• アブレーションスタディの結果、マップベースのオドメトリはスキャンからフレームへの方法に比べて精度を 28.6% 向上させた。
• 確率フィルタを除去すると、オドメトリ誤差は 1.80% から 3.16%（変位）に上昇し、幾何学的フィルタを無効化すると 8.00% にまで上昇する。これは両フィルタの重要性を裏付ける。
• ループ閉じりを有効化すると、トラジェクトリ誤差は 1.80% から 1.63%（変位）に低下し、ドリフト是正におけるその重要性が明確になった。