[논문 리뷰] Masking by Moving: Learning Distraction-Free Radar Odometry from Pose Information

Dan Barnes, Rob Weston외 1명|arXiv (Cornell University)|2019. 09. 09.

Robotics and Sensor-Based Localization인용 수 51

한 줄 요약

논문은 학습된 인위물-마스크 임베딩과 미분가능한 상관 기반 매칭을 활용한 엔드-투-엔드 레이더 오도메트리 시스템으로, 신뢰성과 빠른 포즈 추정 및 불확실성 정량화를 달성하며, 포즈 데이터로부터 자기지도 학습.

ABSTRACT

This paper presents an end-to-end radar odometry system which delivers robust, real-time pose estimates based on a learned embedding space free of sensing artefacts and distractor objects. The system deploys a fully differentiable, correlation-based radar matching approach. This provides the same level of interpretability as established scan-matching methods and allows for a principled derivation of uncertainty estimates. The system is trained in a (self-)supervised way using only previously obtained pose information as a training signal. Using 280km of urban driving data, we demonstrate that our approach outperforms the previous state-of-the-art in radar odometry by reducing errors by up 68% whilst running an order of magnitude faster.

연구 동기 및 목표

• 레이더가 영상/레이더보다 불리한 상황에서도 강건한 자이동 추정의 필요성에 동기를 부여한다.
• 해석 가능성을 유지하는 상관 기반 매칭을 통해 엔드-투-엔드, 미분가능한 레이더 오도메트리 파이프라인을 개발한다.
• 동적 객체를 억제하고 아티팩트를 제거하면서도 정지된 장면 구조를 보존하는 레이더 피처 임베딩을 학습한다.
• 배포를 견고하게 지원하기 위해 포즈 예측에 대한 원칙적 불확실성 추정을 가능하게 한다.]
• method:[
• Use a fully differentiable, correlation-based scan matching over a learned radar embedding S = M ⊙ Z, where M = fα(Z) is a mask produced by a CNN (U-Net).
• Train α by minimizing the mean squared error between predicted pose p̂ and ground-truth pose p on consecutive radar scans (self-supervised via pose information).
• Compute 2D cross-correlation between masked scans using FFT for efficient exhaustive pose search and apply soft-argmax to obtain sub-grid pose estimates.
• Quantify pose uncertainty by interpreting softmax weights over candidate poses as probabilities and deriving a Gaussian-like covariance Σ from the weighted pose distribution.
• Provide uncertainty calibration by tuning a temperature parameter β in the softmax so that the mean Mahalanobis distance aligns with expected chi-squared distribution (calibrated uncertainty).
• Optionally compare Cartesian vs Polar radar inputs and single vs dual masking configurations to study performance versus interpretability.

제안 방법

• Use a fully differentiable, correlation-based scan matching over a learned radar embedding S = M ⊙ Z, where M = fα(Z) is a mask produced by a CNN (U-Net).
• Train α by minimizing the mean squared error between predicted pose p̂ and ground-truth pose p on consecutive radar scans (self-supervised via pose information).
• Compute 2D cross-correlation between masked scans using FFT for efficient exhaustive pose search and apply soft-argmax to obtain sub-grid pose estimates.
• Quantify pose uncertainty by interpreting softmax weights over candidate poses as probabilities and deriving a Gaussian-like covariance Σ from the weighted pose distribution.
• Provide uncertainty calibration by tuning a temperature parameter β in the softmax so that the mean Mahalanobis distance aligns with expected chi-squared distribution (calibrated uncertainty).
• Optionally compare Cartesian vs Polar radar inputs and single vs dual masking configurations to study performance versus interpretability.

실험 결과

연구 질문

• RQ1 학습된 마스킹 표현이 잡음/동적 객체에 대한 방해에도 불구하고 해석 가능하고 상관 기반의 스캔 매칭을 유지하며 레이더 오도메트리의 강건성을 향상시킬 수 있는가?
• RQ2 포즈 감독을 포함한 엔드-투-엔드 학습이 프록시 작업이나 원시 레이더 데이터로 학습된 마스킹 방법에 비해 오도메트리 정확도와 속도에서 실질적인 이점을 제공하는가?
• RQ3 차분 가능한 소프트맥스 기반 가중치를 포즈 후보에 대해 사용하여 레이더 오도메트리 시스템에서 보정된 각 포즈의 불확실성 추정치를 얻을 수 있는가?
• RQ4 포즈 추정 및 계산 속도 측면에서 카르테시안 대 폴라 레이더 표현과 단일 대 이중 입력 마스킹의 비교 이점은 무엇인가?

주요 결과

• 제안된 방법은 도시 레이더 데이터에서 이전의 최첨단 대비 주행 거리/회전 오차를 최대 68%까지 감소시킨다.
• 이 시스템은 이전 최고의 레이더 오도메트리 접근법보다 한 차원 큰 속도로 실행되며 일부 구성에서 100 Hz를 초과하는 고주파 동작을 달성한다.
• 자세 예측을 위해 최적화된 레이더 피처 임베딩을 학습하면 정확도가 크게 향상되어 원시 스캔에서의 상관 매칭을 훨씬 능가한다(오류의 상대적 감소가 85%를 넘음).
• 포즈 감독으로 학습된 마스킹이 프록시 작업(정적 점유 라벨링)을 통해 학습된 마스킹보다 더 나은 성능을 보인다.
• 이 접근법은 소프트맥스 가중치 기반 공분산을 통한 포즈 예측에 대해 원칙적이고 보정된 불확실성 추정을 제공하여 병적 사례의 탐지와 신뢰성 향상을 가능하게 한다.