[논문 리뷰] Radar-based Pose Optimization for HD Map Generation from Noisy Multi-Drive Vehicle Fleet Data

Alexander Blumberg, Jonas Merkert외 1명|arXiv (Cornell University)|2026. 03. 03.

Autonomous Vehicle Technology and Safety인용 수 0

한 줄 요약

이 논문은 레이다 기반 포즈-그래프 최적화 파이프라인을 통해 운용 중인 플릿 차량의 레이다 데이터를 드라이브 간에 정렬하고, 글로벌 레이다 점유 맵을 생성하며 기준 방법에 비해 HD 차선 경계 매핑을 개선합니다.

ABSTRACT

High-definition (HD) maps are important for autonomous driving, but their manual generation and maintenance is very expensive. This motivates the usage of an automated map generation pipeline. Fleet vehicles provide sufficient sensors for map generation, but their measurements are less precise, introducing noise into the mapping pipeline. This work focuses on mitigating the localization noise component through aligning radar measurements in terms of raw radar point clouds of vehicle poses of different drives and performing pose graph optimization to produce a globally optimized solution between all drives present in the dataset. Improved poses are first used to generate a global radar occupancy map, aimed to facilitate precise on-vehicle localization. Through qualitative analysis we show contrast-rich feature clarity, focusing on omnipresent guardrail posts as the main feature type observable in the map. Second, the improved poses can be used as a basis for an existing lane boundary map generation pipeline, majorly improving map output compared to its original pure line detection based optimization approach.

연구 동기 및 목표

• GNSS 로컬라이제이션 노이즈를 완화하기 위해 서로 다른 드라이브 간의 레이다 포인트 클라우드를 정렬하여 플릿에서 HD 맵 생성을 개선한다.
• 레이더 데이터로 간 inter-pose 변환을 추정하기 위한 격자 기반 상관 방법을 개발한다.
• 플릿 전체의 글로벌하게 일관된 차량 포즈를 얻기 위한 포즈 그래프 최적화 프레임워크를 구성한다.
• 정렬된 포즈로 글로벌 레이다 점유 맵을 생성하여 차량 내 로컬라이제이션을 돕는다.
• 레이더 기반 포즈 정렬이 차선 경계 HD 맵 생성에 미치는 영향을 평가한다.
• 맵 품질 측면에서 레이다 기반 정렬과 차선 인식 기반 정렬을 비교한다.

제안 방법

• 겹치는 경로를 가진 플릿 운행에서 2D 레이다 포인트 클라우드와 도로 피처 탐지를 처리한다.
• 다른 드라이브 간의 20 m 이내 및 내적 포즈 쌍을 계산하고 효율성을 위해 쌍의 10%를 샘플링한다.
• 상관 방법을 비교한다: Fast-GICP 기본값(GICP, VGICP, D2D NDT)과 새로운 격자 기반 적합 접근법.
• 격자 기반 적합은 레이다 포인트 클라우드를 0.1 m 격자로 변환하고 두 번째 포즈 클라우드를 격자 기반 상관을 최대화하도록 반복적으로 회전/이동시킨다.
• 회전(±1°) 및 평행이동(±2 m)의 3D 상관 행렬을 형성하고 최대 상관을 가지는 변환을 선택하며, 강건성을 위한 표준화 점수 Z를 계산한다.
• GNSS 기반 사전 정보와 레이다 유래 포즈 간선을 포함하는 비선형 포즈 그래프(GTSAM)를 구축하고,Huber 로버스트화 및 Levenberg–Marquardt 최적화를 적용하여 글로벌하게 정렬된 포즈를 얻는다.
• 정렬된 레이다 포인트를 투사하고 시그모이드 기반 스무딩을 사용하여 0.1 m 격자를 생성함으로써 글로벌 레이다 점유 맵을 생성한다.
• 선택적으로 개선된 포즈를 기존의 차선 인식 기반 HD 맵 파이프라인에 공급하여 레이다 정렬 차선 경계 맵을 생성한다.

실험 결과

연구 질문

• RQ1 다중 차량 플릿의 레이다 포인트 클라우드가 드라이브 간에 신뢰성 있게 정렬되어 GNSS 로컬라이제이션 노이즈를 극복할 수 있는가?
• RQ2 격자 기반 상관은 플릿 레이다 데이터에 대해 전통적인 ICP/ND 기반 기준보다 더 강건하고 효과적인가?
• RQ3 포즈 그래프 최적화가 레이다 유래 간선으로 플릿 전반의 글로벌하게 일관된 포즈를 제공하는가?
• RQ4 레이더 정렬 포즈를 사용하면 글로벌 레이다 점유 맵의 품질과 다운스트림 차선 경계 HD 맵이 기준 방법에 비해 개선되는가?

주요 결과

지표	비정렬	GICP	VGICP	NDT	본 연구
MME	-0.15507	-0.150471	-0.154754	-0.15507	-0.490938

• 격자 기반 적합은 정렬되지 않은 포즈에 비해 정렬을 크게 개선하지만, GICP/VGICP/NDT 기준선은 평균 맵 엔트로피에서 명확한 개선을 보이지 않는다.
• 격자 기반으로 정렬된 포즈의 레이다 점유 맵은 안전벽 기둥 등 특징이 흐려지지 않고 명확하게 구분되는 레이다 반응을 보인다.
• 레이더 정렬 차선 경계 맵은 EM 기반 차선 정렬 기준선에 비해 더 매끄럽고 연속적이며 누락 부분이 적다.
• 60 드라이브, 5000 km 고속도로 데이터 세트에 대한 정량적 평가에서 격자 기반 방법은 정렬되지 않은 데이터에 비해 평균 맵 엔트로피를 감소시키며 다른 기준선은 그러지 못한다.
• 차선 경계 및 도로 경계 탐지는 차선 구분자보다 오차가 더 크지만, 레이다 정렬 포즈는 측방 최적화가 비례적으로 유지되거나 개선되며 데이터 세트 전반의 종방향 변동을 감소시킨다.
• 이 방법은 글로벌하게 일관된 포즈 해를 산출하고 다운스트림 HD 맵 구성 요소에서 의미 있는 개선을 가져오며 특히 고속도로 상황에서 효과적이다.