[논문 리뷰] A Normal Distribution Transform-Based Radar Odometry Designed For Scanning and Automotive Radars

Pou-Chun Kung, Chieh‐Chih Wang외 1명|arXiv (Cornell University)|2021. 03. 14.

Robotics and Sensor-Based Localization참고 문헌 30인용 수 6

한 줄 요약

이 논문은 스캐닝 레이더와 자동차 레이더 처리를 통합하는 새로운 정규분포변환(NDT)-기반 레이더 옹도메트리 방법을 제안한다. 이 방법은 임계값 처리와 확률적 서브맵을 사용하여 NDT 기반 스캔 매칭 이전에 희박하거나 노이즈가 많은 스캔을 향상시킨다. 이는 공개 데이터셋에서 두 레이더 유형 모두에서 센티미터 수준의 정확도를 달성하며, 최신 기술 대비 이동 오차에서 최대 51% 향상되고 회전 오차에서 최대 29% 향상된다.

ABSTRACT

Existing radar sensors can be classified into automotive and scanning radars. While most radar odometry (RO) methods are only designed for a specific type of radar, our RO method adapts to both scanning and automotive radars. Our RO is simple yet effective, where the pipeline consists of thresholding, probabilistic submap building, and an NDT-based radar scan matching. The proposed RO has been tested on two public radar datasets: the Oxford Radar RobotCar dataset and the nuScenes dataset, which provide scanning and automotive radar data respectively. The results show that our approach surpasses state-of-the-art RO using either automotive or scanning radar by reducing translational error by 51% and 30%, respectively, and rotational error by 17% and 29%, respectively. Besides, we show that our RO achieves centimeter-level accuracy as lidar odometry, and automotive and scanning RO have similar accuracy.

연구 동기 및 목표

• 스캐닝 레이더와 자동차 레이더 유형 모두에 적용 가능한 통합된 레이더 옹도메트리 방법의 부족을 해결한다.
• 자동차 레이더의 희박한 측정치와 스캐닝 레이더 스캔의 높은 노이즈에 기인한 과제를 극복한다.
• 외부 센서가 필요 없이 라이다 옹도메트리 수준의 고정밀도를 달성하는, 학습이 필요 없는 레이더 옹도메트리 구현을 가능하게 한다.
• 낮은 해상도와 정확도에도 불구하고 자동차 레이더 옹도메트리가 스캐닝 레이더 옹도메트리와 유사한 정확도를 달성할 수 있음을 입증한다.
• 딥러닝이나 외부 캘리브레이션에 의존하지 않는 단순하면서도 효과적인 파이프라인을 제공한다.

제안 방법

• 낮은 전력 레이더 반사 신호를 제거하기 위해 임계값 모듈을 적용하여 스캐닝 레이더 스캔의 노이즈를 감소시킨다.
• 여러 연속 스캔에서 확률적 레이더 서브맵을 구성하여 데이터 밀도를 높이며, 특히 희박한 자동차 레이더에 유리하다.
• 레이더 신호 강도와 측정 불확실성을 반영한 가중치가 부여된 확률적 NDT 프레임워크를 도입하여 강건한 스캔 매칭을 구현한다.
• 공간적 확률 분포를 사용한 NDT 기반 스캔 매칭을 통해 연속된 레이더 스캔을 정렬함으로써 이상치에 대한 내성을 향상시킨다.
• 자기 운동 불확실성을 서브맵 구축 과정에 통합하여 매칭 정확도를 향상시킨다.
• 재학습이나 아키텍처 변경 없이도 스캐닝 및 자동차 레이더 데이터에 동일한 파이프라인을 적용한다.

실험 결과

연구 질문

• RQ1 단일 레이더 옹도메트리 프레임워크가 스캐닝 및 자동차 레이더 센서 모두에서 고정밀도를 달성할 수 있는가?
• RQ2 제안된 방법은 최신 기술 기반의 학습 기반 및 비학습 기반 레이더 옹도메트리와 비교해 이동 오차 및 회전 오차 측면에서 어떻게 성능을 내는가?
• RQ3 자동차 레이더가 스캐닝 레이더 및 라이다 옹도메트리 수준의 정확도에 얼마나 가까이 도달할 수 있는가?
• RQ4 확률적 서브맵과 NDT 기반 매칭이 희박하거나 노이즈가 많은 레이더 데이터 처리에 있어 상관관계 기반 또는 ICP 기반 방법보다 우수한가?
• RQ5 학습이 필요 없는 임계값 기반 사전 처리 단계가 노이즈를 효과적으로 제거하면서도 정확한 스캔 매칭을 위한 핵심 특징을 유지할 수 있는가?

주요 결과

• 제안된 레이더 옹도메트리 방법은 nuScenes 데이터셋에서 최신 기술 기반 자동차 레이더 옹도메트리 대비 이동 오차를 51% 감소시키고, 회전 오차를 17% 감소시켰다.
• 옥스포드 레이더 로봇카 데이터셋에서, 이 방법은 최신 기술 기반 스캐닝 레이더 옹도메트리 대비 이동 오차를 30% 감소시키고, 회전 오차를 29% 감소시켰다.
• 자동차 레이더와 스캐닝 레이더 양쪽 모두에서 센티미터 수준의 정확도를 달성하여, ICP 기반 스캔 매칭을 사용한 라이다 옹도메트리 성능과 동일한 수준에 도달했다.
• 학습 기반 'Moving으로 마스킹' 방법 대비 이동 오차에서 29% 향상되고, 회전 오차에서 27% 향상되었으며, 복잡한 학습된 마스킹 네트워크 대신 단순한 임계값 처리를 사용한 점을 감안할 때 놀라운 성능 향상이다.
• 임계값 처리가 모든 노이즈를 제거하지 못하더라도 NDT 기반 스캔 매칭은 상관관계 기반 매칭보다 이상치에 더 강건하다.
• 확률적 서브맵 접근법은 희박한 자동차 레이더 스캔으로부터 고밀도 정보를 효과적으로 재구성하여 매칭의 안정성과 정확도를 향상시켰다.