[論文レビュー] Masking by Moving: Learning Distraction-Free Radar Odometry from Pose Information

Dan Barnes, Rob Weston+1 more|arXiv (Cornell University)|Sep 9, 2019

Robotics and Sensor-Based Localization被引用数 51

ひとこと要約

本論文は、エンドツーエンドのレーダーオドメトリシステムを提案し、学習済みアーティファクトをマスクした埋め込みと微分可能な相関ベースのマッチングを用いて、堅牢で高速な姿勢推定と不確実性の定量化を実現し、姿勢データから自己教師付きで学習する。

ABSTRACT

This paper presents an end-to-end radar odometry system which delivers robust, real-time pose estimates based on a learned embedding space free of sensing artefacts and distractor objects. The system deploys a fully differentiable, correlation-based radar matching approach. This provides the same level of interpretability as established scan-matching methods and allows for a principled derivation of uncertainty estimates. The system is trained in a (self-)supervised way using only previously obtained pose information as a training signal. Using 280km of urban driving data, we demonstrate that our approach outperforms the previous state-of-the-art in radar odometry by reducing errors by up 68% whilst running an order of magnitude faster.

研究の動機と目的

• 視覚・LiDARよりレーダーが有利な、天候が厳しく clutter の多い環境での堅牢な自己運動推定を動機づける。
• 相関ベースのマッチングを通じて解釈性を保つエンドツーエンドで微分可能なレーダーオドメトリパイプラインの開発。
• Artefactsとダイナミックオブジェクトを抑制しつつ静的なシーン構造を保持するレーダー特徴埋め込みの学習。
• 姿勢推定に対する原理的な不確実性推定を可能にし、堅牢なデプロイをサポート。

提案手法

• 完全に微分可能な相関ベースのスキャンマッチングを、学習済みレーダー埋め込み S = M ⊙ Z 上で行う。M = fα(Z) は CNN (U-Net) によって生成されるマスク。
• 連続するレーダー scans に対して予測姿勢 p̂ と実測姿勢 p の平均二乗誤差を最小化して α を訓練する（姿勢情報を用いた自己教師付き学習）。
• Masked scans の2Dクロスコリレーションを FFT を用いて計算し、網羅的な姿勢探索を効率化し、soft-argmax を適用してサブグリッドの姿勢推定を得る。
• 候補ポーズに対する softmax 重みを確率として解釈し、それらの重み付き姿勢分布からガウス様の共分散 Σ を導出して姿勢不確実性を定量化する。
• softmax の温度パラメータ β を調整して不確実性を校正し、平均 Mahalanobis 距離が期待されるカイ二乗分布と一致するようにすることで、校正された不確実性を提供する。
• オプションとして、データ表現としての Cartesian 対 Polar のレーダー入力と、単一マスク vs 双入力マスク構成を比較し、性能と解釈性を検討する。

実験結果

リサーチクエスチョン

• RQ1 学習済みマスキング表現は、解釈可能な相関スキャンマッチを保ちつつ、 clutter や動的オブジェクトに対するレーダーオドメトリの堅牢性を向上させるか。
• RQ2 姿勢監督を用いたエンドツーエンド学習は、代理タスクや生デレーダーデータで訓練されたマスキング法と比べて、オドメトリの精度と速度に実質的な向上をもたらすか。
• RQ3 differentiable softmax ベースの重み付けによる per-pose 不確実性推定をレーダーオドメトリシステムで得られるか。
• RQ4 姿勢推定と計算速度の点で、Cartesian 対 Polar の表現と単一対双入力マスキングの比較的有益性はどのようなものか。

主な発見

• 提案手法は、都市部のレーダーデータ上で先行研究と比較してオドメトリの平行移動と回転誤差を最大で約68%低減する。
• システムは従来の最良のレーダーオドメトリ手法よりも約1桁高速に動作し、いくつかの設定で100 Hz を超える高頻度運用を実現する。
• 姿勢予測のために最適化されたレーダー特徴埋め込みを学習すると、_raw scans_ での相関マッチングより大幅に精度が向上し、誤差は大幅に80%以上低減。
• 姿勢監督から学習したマスキングは、代理タスク（動的占有ラベリング）で訓練したマスキングよりも良い性能を発揮する。
• この手法はsoftmax 重みベースの共分散による原理的で校正された不確実性推定を提供し、病的ケースの検出と信頼性の向上を可能にする。