[論文レビュー] RadarEye: Robust Liquid Level Tracking Using mmWave Radar in Robotic Pouring

Hongyu Deng, He Chen|arXiv (Cornell University)|Feb 11, 2026

Soft Robotics and Applications被引用数 0

ひとこと要約

RadarEyeはmmWaveレーダと物理情報を取り入れたトラッカーを用いて、ロボットの注ぐ動作の液面をリアルタイムで頑健に推定・追跡し、視覚および超音波ベースラインを上回る。

ABSTRACT

Transparent liquid manipulation in robotic pouring remains challenging for perception systems: specular/refraction effects and lighting variability degrade visual cues, undermining reliable level estimation. To address this challenge, we introduce RadarEye, a real-time mmWave radar signal processing pipeline for robust liquid level estimation and tracking during the whole pouring process. RadarEye integrates (i) a high-resolution range-angle beamforming module for liquid level sensing and (ii) a physics-informed mid-pour tracker that suppresses multipath to maintain lock on the liquid surface despite stream-induced clutter and source container reflections. The pipeline delivers sub-millisecond latency. In real-robot water-pouring experiments, RadarEye achieves a 0.35 cm median absolute height error at 0.62 ms per update, substantially outperforming vision and ultrasound baselines.

研究の動機と目的

• 透明液体の視覚ベース手法が照明や屈折に弱い点を超えた頑健な液面センサを動機づけること。
• RadarEyeを紹介すること：高解像度ビームフォーミングを備えたリアルタイムmmWaveレーダーパイプラインと、液面推定と多経路抑制のための物理情報を取り入れたトラッカー。
• 実運用ロボット注ぐ実験において、ベースラインと比較してサブミリ秒の遅延と高い精度を実証すること。
• 増分充填と動的注入タスクに対する定量的比較で性能を示すこと。

提案手法

• 液面の反射を形成するための高解像度の距離–角度ビームフォーミング。
• AoA–ToF平面をN×Nグリッドに離散化し、コヒーレント加算でP(i,j)を構築。
• multipathにもかかわらず液面を追跡する制約付き最適経路問題を時系列で解く物理情報を取り入れたトラッカー（c_tには遷移ペナルティ）。
• 遷移を制約しリアルタイム追跡を実現するQ^2近傍の使用。
• ロボット設定でTI IWR6843 mmWaveレーダ（61.8 GHz、帯域幅3.6 GHz）を用いた実装；サブミリ秒の遅延。

実験結果

リサーチクエスチョン

• RQ1 mmWaveレーダーは multipathのノイズがあっても動的な注入中に直接的な液面測定を頑健に提供できるか。
• RQ2 RadarEyeは視覚ベースおよび超音波ベースのベースラインと比較してリアルタイム追跡でどのように性能を示すか。
• RQ3 物理情報を取り入れた時間最適化はピークベースまたは学習ベースの方法より安定性と精度を改善するか。
• RQ4 提案されたレーダーベースパイプラインの遅延と精度のトレードオフは実ロボット注ぐ条件でどうなるか。

主な発見

• ロボットによる実注みで液面誤差の中央値0.35 cm、更新遅延0.62 ms。
• ステップ的な表面追跡の増分充填実験で中央値0.12 cmの誤差。
• RadarEyeは視覚ベース（中央値誤差約2.1 cm）および超音波ベース（中央値誤差約4.3 cm）のベースラインを上回る。
• AoA–ToFスペクトル上の深層学習トラッカーは約40 msの遅延を生む一方、RadarEyeと平滑化は約0.6 ms。
• 増分充填中、表面反射ピークは7.4 cmまでの高さ変化を正確に追跡し、誤差は低い。