[논문 리뷰] BFAR-Bounded False Alarm Rate detector for improved radar odometry estimation

Anas Alhashimi, Daniel Adolfsson외 3명|arXiv (Cornell University)|2021. 09. 20.

Radar Systems and Signal Processing참고 문헌 28인용 수 5

한 줄 요약

이 논문은 FMCW 레이더 데이터의 높은 노이즈와 잡음 문제를 해결하기 위해, 추정된 노이즈 수준의 애핀 변환을 통한 최적의 노이즈 임계값 파rameter 학습을 통해 고정된 거짓 경고율을 갖는 BFAR라는 검출기를 제안한다. 이로 인해 옥스포드 레이더 로봇카 데이터셋에서 최신 기술 대비 오odomentry 오차가 12.5% 감소된다.

ABSTRACT

This paper presents a new detector for filtering noise from true detections in radar data, which improves the state of the art in radar odometry. Scanning Frequency-Modulated Continuous Wave (FMCW) radars can be useful for localization and mapping in low visibility, but return a lot of noise compared to (more commonly used) lidar, which makes the detection task more challenging. Our Bounded False-Alarm Rate (BFAR) detector is different from the classical Constant False-Alarm Rate (CFAR) detector in that it applies an affine transformation on the estimated noise level after which the parameters that minimize the estimation error can be learned. BFAR is an optimized combination between CFAR and fixed-level thresholding. Only a single parameter needs to be learned from a training dataset. We apply BFAR to the use case of radar odometry, and adapt a state-of-the-art odometry pipeline (CFEAR), replacing its original conservative filtering with BFAR. In this way we reduce the state-of-the-art translation/rotation odometry errors from 1.76%/0.5deg/100 m to 1.55%/0.46deg/100 m; an improvement of 12.5%.

연구 동기 및 목표

• FMCW 레이더 데이터의 높은 노이즈와 잡음으로 인한 레이더 오도메트리 성능 저하 문제를 해결한다.
• 환경에 따라 정밀하게 조정이 필요한 P_FA를 요구하고, 변동하는 노이즈 조건에서 실패하는 고전적 일정 거짓 경고율(CFAR) 검출기의 한계를 극복한다.
• 감지 민감도와 거짓 경고 제어 사이의 균형을 유지하면서도 레이더 전용 오도메트리 성능을 향상시키기 위한 강건하고 학습 가능한 검출기를 개발한다.
• CFEAR 파이프라인에 통합되었을 때 BFAR의 오도메트리 추정 오차 감소 효과를 입증한다.
• 수동적인 P_FA 조정이 필요 없도록, 훈련 데이터로부터 단일 파rameter를 학습함으로써 유연한 파rameter 선택을 가능하게 한다.

제안 방법

• BFAR는 추정된 노이즈 수준에 애핀 변환을 적용하여, 스케일 요소(a)와 오프셋(b)로 매aram터화된 검출 임계값을 적응적으로 설정한다.
• 이 방법은 고정된 P_FA 값에 의존하지 않고, 훈련 데이터에서 오도메트리 추정 오차를 최소화함으로써 임계값 파rameter(a, b)를 최적화한다.
• BFAR는 CA-CFAR와 고정 임계값 기반 방법 사이의 하이브리드로 설계되어, 비정상적인 노이즈에 대비한 강건성과 높은 감지 정확도를 동시에 확보한다.
• 검출기는 원래의 보수적인 필터링 메커니즘을 대체하기 위해 CFEAR 오도메트리 파이프라인에 통합된다.
• 파라미터 학습은 a, b에 대한 격자 탐색을 통해 수행되며, P_FA_ub(거짓 경고율의 상한선)는 a로부터 유도되어 고정된 거짓 경고율 성능을 확보한다.
• 이 방법은 옥스포드 레이더 로봇카 데이터셋에서 평가되었으며, 기존의 레이더 및 라이다 오도메트리 방법과의 비교를 통해 BFAR가 향상된 CFEAR의 성능을 입증한다.

실험 결과

연구 질문

• RQ1 학습 가능한 검출기가 고전적 CFAR에 비해 노이즈 필터링 성능을 향상시켜 레이더 전용 국소화에서 오도메트리 오차를 줄일 수 있는가?
• RQ2 다양한 환경적 노이즈와 잡음 조건에서 BFAR의 성능은 CA-CFAR 및 기타 레이더 오도메트리 기준 대비 어떻게 비교되는가?
• RQ3 단일로 학습된 파라미터(a)와 오프셋(b)가 다양한 레이더 신호 조건에서 감지의 강건성을 얼마나 향상시킬 수 있는가?
• RQ4 특히 P_FA가 알려져 있거나 변동성이 있는 경우, 전통적 CFAR에 비해 BFAR는 더 유연하고 신뢰할 수 있는 파라미터 선택을 가능하게 하는가?
• RQ5 CFEAR와 같은 기존 오도메트리 파이프라인에 BFAR를 효과적으로 통합하여 최신 기술 수준의 성능을 달성할 수 있는가?

주요 결과

• BFAR는 옥스포드 레이더 로봇카 데이터셋에서 이동 오차를 1.76%에서 1.55%로, 회전 오차를 0.5°에서 0.46°로 감소시켜 최신 기술 대비 12.5% 향상된 성능을 보였다.
• BFAR의 최적 파라미터는 a=1과 b=20로 도출되었으며, 이는 P_FA_ub=9.5×10⁻⁷에 해당하며, 테스트 시퀀스 전반에서 오도메트리 오차를 최소화했다.
• BFAR는 P_FA_ub 값이 다양할 경우에도 낮은 오차를 유지하며, P_FA_ub=1(고정 수준 임계값 기반)인 경우에도 강건성을 입증했다.
• 반면, CA-CFAR는 좁은 P_FA 범위 외부에서 성능이 급격히 악화되어 BFAR의 뛰어난 유연성과 신뢰성을 강조한다.
• CFEAR 파이프라인에 BFAR를 통합한 결과, 원래의 k-강력한 필터링 방식보다 낮은 오차를 기록하여, 학습된 임계값 설정 방식의 우수성을 확인했다.
• BFAR는 Hero, Under the Radar, Barnes Dual Cart 등의 레이더 오도메트리 기준보다 뛰어나며, 일부 시퀀스에서는 라이다 기반 SuMa 성능에 가까이 다가섰다.