[논문 리뷰] Lidar-level localization with radar? The CFEAR approach to accurate, fast and robust large-scale radar odometry in diverse environments

Daniel Adolfsson, Martin Magnusson외 3명|arXiv (Cornell University)|2022. 11. 04.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

이 논문은 스핀닝 레이더를 사용하여 라이다 수준의 정밀도를 달성하는 학습 불필요, 실시간 레이더 오도메트리 기법인 CFEAR를 제안한다. 이는 운동 보정 및 다대일 스캔 레지지스트레이션, 강력한 손실 함수, 방향성 표면 점 추정을 결합한 것이다. 기존 레이더 오도메트리 대비 드리프트를 38% 감소시켰으며, 옥스포드 레이더 로봇카 벤치마크에서 5 Hz에서 1.09%의 변위 오차를 기록하여 최신 레이더 SLAM을 초월하고, 루프 클로징 없이 라이다 SLAM 성능에 가까워졌다.

ABSTRACT

This paper presents an accurate, highly efficient, and learning-free method for large-scale odometry estimation using spinning radar, empirically found to generalize well across very diverse environments -- outdoors, from urban to woodland, and indoors in warehouses and mines - without changing parameters. Our method integrates motion compensation within a sweep with one-to-many scan registration that minimizes distances between nearby oriented surface points and mitigates outliers with a robust loss function. Extending our previous approach CFEAR, we present an in-depth investigation on a wider range of data sets, quantifying the importance of filtering, resolution, registration cost and loss functions, keyframe history, and motion compensation. We present a new solving strategy and configuration that overcomes previous issues with sparsity and bias, and improves our state-of-the-art by 38%, thus, surprisingly, outperforming radar SLAM and approaching lidar SLAM. The most accurate configuration achieves 1.09% error at 5Hz on the Oxford benchmark, and the fastest achieves 1.79% error at 160Hz.

연구 동기 및 목표

• 파arameter 조정 없이 다양한 실제 환경에 일반화되는 고정밀, 고속, 내구성 있는 레이더 오도메트리 시스템을 개발하는 것.
• 레이더 오도메트리의 과제인 희소성, 노이즈, 편향을 운동 보정 및 다중 스위프 스캔 레지지스트레이션을 통합하여 해결하는 것.
• 학습 없이도 루프 클로징 없이 라이다 SLAM 성능에 비슷한 성능을 달성하는 레이더만을 사용하는 것.
• 필터링, 해상도, 손실 함수, 关键 프레임 기록과 같은 핵심 구성 요소가 오도메트리 정확도에 미치는 영향을 체계적으로 평가하고 정량화하는 것.

제안 방법

• 원시 레이더 스캔에서 방향성 표면 점을 추출하기 위해 보수적인 필터링 전략을 사용하여 특징 품질을 향상시키고 노이즈를 감소시킨다.
• 최신 스캔을 동시에 여러 이전 키프레임에 정렬하여 다대일 스캔 레지지스트레이션을 수행함으로써 점-선 거리를 최소화한다.
• 외곽선을 감소시키고 스펙클 노이즈 및 가짜 물체의 영향을 줄이기 위해 강력한 손실 함수를 적용한다.
• 플랫폼 운동 보정을 각 스위프 내부에 통합하여 데이터 수집 중 운동을 보정함으로써 정렬 정확도를 향상시킨다.
• 강건성 향상을 위해 강도 가중 표면 점 추정과 잔차 가중치를 활용한다.
• 새로운 해법 전략을 도입하여 계산 속도를 가속화하여 표준 CPU에서 최대 160 Hz의 실시간 성능을 달성한다.

실험 결과

연구 질문

• RQ1 각 레이더 스위프 내부에 운동 보정을 통합할 경우, 다이나믹 환경에서 오도메트리 정확도와 내구성에 어떤 영향을 미치는가?
• RQ2 키프레임 기록과 다중 스캔 레지지스트레이션은 희소한 레이더 데이터에서 드리프트 감소와 자세 추정 향상에 어떤 영향을 미치는가?
• RQ3 필터링, 해상도, 손실 함수, 잔차 가중치가 함께 레이더 오도메트리 성능에 어떤 영향을 미치는가?
• RQ4 학습 불필요 레이더 오도메트리 파이프라인은 파rameter 조정 없이도 실외 도시, 숲, 창고, 지하 광산 등 다양한 환경에서 일반화 가능한가?
• RQ5 루프 클로징 없이도 레이더 오도메트리가 라이다 SLAM 성능에 얼마나 가까워질 수 있는가?

주요 결과

• 가장 정밀한 CFEAR 설정은 옥스포드 레이더 로봇카 데이터셋에서 5 Hz에서 1.09%의 변위 오차를 기록하며, 이는 기존 최신 기술 대비 38% 향상된 성능이다.
• 가장 빠른 설정은 160 Hz에서 1.79%의 변위 오차를 기록하여 표준 하드웨어에서 실시간 실행 가능성을 입증했다.
• 옥스포드 데이터셋에서 현재 최신 레이더 SLAM 기법 대비 드리프트 감소율 40.4% 향상, MulRAN 데이터셋에서는 26.7% 향상되었다.
• 파rameter 조정 없이도 도시, 숲, 창고, 지하 광산 등 다양한 환경에서 강건하게 일반화된다.
• 강력한 손실 함수와 운동 보정을 통한 다대일 스캔 레지지스트레이션은 특히 희소하거나 노이즈가 많은 조건에서 편향과 노이즈를 크게 감소시킨다.
• 제거 분석 결과, 강도 가중 표면 점, 잔차 가중치, 운동 보정이 드리프트 최소화와 정확도 향상에 핵심 요소임을 확인했다.