[논문 리뷰] MAROAM: Map-based Radar SLAM through Two-step Feature Selection

Dequan Wang, Yifan Duan외 4명|arXiv (Cornell University)|2022. 10. 25.

Robotics and Sensor-Based Localization인용 수 4

한 줄 요약

MAROAM은 지도 기반 레이더 SLAM 프레임워크로, 표면 특징을 추출하기 위해 기하학적 필터링을 적용한 후 자주 감지되는 특징만 유지하기 위해 확률적 필터링을 활용하는 이단계 특징 선택 전략을 사용한다. 이로 인해 강력하고 글로벌 일관성이 확보된 지도를 생성한다. 이는 오스틴 레이더 로봇카, MulRAN, Boreas 데이터셋에서 각각 7.95%, 37.0%, 8.9% 향상된 성능을 기록하며 스캔-프레임 오도메트리 대비 28.6% 향상된 성능을 달성한다.

ABSTRACT

In this letter, we propose MAROAM, a millimeter wave radar-based SLAM framework, which employs a two-step feature selection process to build the global consistent map. Specifically, we first extract feature points from raw data based on their local geometric properties to filter out those points that violate the principle of millimeter-wave radar imaging. Then, we further employ another round of probabilistic feature selection by examining how often and how recent the feature point has been detected in the proceeding frames. With such a two-step feature selection, we establish a global consistent map for accurate and robust pose estimation as well as other downstream tasks. At last, we perform loop closure and graph optimization in the back-end, further reducing the accumulated drift error. We evaluate the performance of MAROAM on the three datasets: the Oxford Radar RobotCar Dataset, the MulRan Dataset and the Boreas Dataset. We consider a variety of experimental settings with different scenery, weather, and road conditions. The experimental results show that the accuracy of MAROAM is 7.95%, 37.0% and 8.9% higher than the currently best-performing algorithms on these three datasets, respectively. The ablation results also show that our map-based odometry performs 28.6% better than the commonly used scan-to-frames method. Finally, as devoted contributors to the open-source community, we will open source the algorithm after the paper is accepted.

연구 동기 및 목표

• 밀리미터 웨이브 레이더 SLAM에서 저품질 특징점이 지도 일관성과 자세 추정 정확도를 떨어뜨리는 문제를 해결하기 위해.
• 이중 단계 특징 선택 메커니즘을 도입하여 레이더 전용 SLAM의 지도 품질 향상과 드리프트 감소를 위해.
• ICP 기반 레이더 SLAM에서 높은 빈도로 발생하는 안정적인 특징만을 사용하여 신뢰할 수 있는 스캔-맵 매칭을 가능하게 하기 위해.
• 다양한 실제 환경 조건, 예를 들어 기상 변화, 조도 변화, 도로 유형 변화 등에서 프레임워크의 성능을 평가하기 위해.
• 수용 후 오픈소스로 공개하여 오픈소스 로봇 기술 공동체에 기여하기 위해.

제안 방법

• 시스템은 원시 레이더 포인트 클라우드에서 국소 선형성과 국소 집합을 사용한 기하학적 필터를 적용하여 표면 특징을 추출하고, 레이더 이미징 원칙과 일치하지 않는 점들을 기각한다.
• 선택된 표면 특징을 사용하여 포인트-라인 ICP 알고리즘을 적용하여 연속 스캔 간의 상대 자세를 추정함으로써 정렬 정확도를 향상시킨다.
• 확률 기반 필터를 통해 프레임 간에 자주 감지되지 않는 특징을 동적으로 제거하고, 안정적이고 반복 가능한 특징만 지도 구축에 사용한다.
• 누적된 드리프트를 보정하기 위해 스캔 컨텍스트를 레이더 데이터 형식에 맞게 변형하여 루프 클로เจอ링 탐지에 활용한다.
• 백엔드에서 그래프 최적화를 적용하여 궤적과 지도를 정밀하게 보정함으로써 글로벌 일관성을 향상시킨다.
• 가장 자주 감지되고 기하학적으로 일관성이 있는 특징들만을 사용하여 지도를 점진적으로 업데이트함으로써 장기적인 강성 확보를 한다.

실험 결과

연구 질문

• RQ1 특징 선택 전략이 레이더 전용 SLAM 시스템에서 지도 품질 향상과 드리프트 감소에 어떻게 기여할 수 있는가?
• RQ2 기하학적 필터링과 확률적 필터링을 조합한 이단계 특징 선택 전략이 레이더 SLAM에서 ICP 기반 스캔-맵 매칭의 강성에 어떻게 기여하는가?
• RQ3 제안된 지도 기반 오도메트리 기법이 전통적 스캔-프레임 방법 대비 정확도와 드리프트 감소 측면에서 어떻게 비교되는가?
• RQ4 프레임워크는 기상 악화나 저텍스처 환경과 같은 다양한 환경 조건에서도 얼마나 잘 유지되는가?
• RQ5 루프 클로저와 그래프 최적화가 레이더 SLAM에서 궁극적 궤적 정확도에 기여하는 정도는 어느 정도인가?

주요 결과

• MAROAM은 오스틴 레이더 로봇카 데이터셋에서 기존 최고 성능 기법 대비 7.95% 높은 정확도를 달성한다.
• MulRAN 데이터셋에서 MAROAM은 SOTA 알고리즘인 Hong SLAM v2 대비 드리프트 오차를 37.0% 감소시켰다.
• Boreas 데이터셋에서 MAROAM은 HERO 대비 이동 오차를 8.9% 감소시키고, 회전 오차를 19.6% 감소시켰다.
• 절단 실험 결과, 지도 기반 오도메트리 기법은 스캔-프레임 방법 대비 정확도를 28.6% 향상시켰다.
• 확률 필터를 제거할 경우 오도메트리 오차가 1.80%에서 3.16%로 증가했고(이동), 기하학적 필터를 비활성화할 경우 8.00%로 상승하여 두 필터의 중요성을 확인했다.
• 루프 클로저를 적용할 경우 궤적 오차가 1.80%에서 1.63%로 감소(이동)하여 드리프트 보정에서의 핵심적 역할을 입증했다.