[논문 리뷰] RadarEye: Robust Liquid Level Tracking Using mmWave Radar in Robotic Pouring

Hongyu Deng, He Chen|arXiv (Cornell University)|2026. 02. 11.

Soft Robotics and Applications인용 수 0

한 줄 요약

RadarEye는 물리 정보를 갖춘 추적기를 활용한 mmWave 레이더를 사용하여 로봇의 붓질 중 액체 레벨을 실시간으로 강건하게 추정하고 추적하며, 비전 및 초음파 기반 기준보다 우수합니다.

ABSTRACT

Transparent liquid manipulation in robotic pouring remains challenging for perception systems: specular/refraction effects and lighting variability degrade visual cues, undermining reliable level estimation. To address this challenge, we introduce RadarEye, a real-time mmWave radar signal processing pipeline for robust liquid level estimation and tracking during the whole pouring process. RadarEye integrates (i) a high-resolution range-angle beamforming module for liquid level sensing and (ii) a physics-informed mid-pour tracker that suppresses multipath to maintain lock on the liquid surface despite stream-induced clutter and source container reflections. The pipeline delivers sub-millisecond latency. In real-robot water-pouring experiments, RadarEye achieves a 0.35 cm median absolute height error at 0.62 ms per update, substantially outperforming vision and ultrasound baselines.

연구 동기 및 목표

• 조도 및 굴절에 민감한 비전 기반 방법을 넘어 투명한 액체의 강건한 액체 레벨 측정을 촉진한다.
• RadarEye를 소개한다: 고해상도 빔포밍을 갖춘 실시간 mmWave 레이더 파이프라인으로 레벨 추정과 다중경로를 억제하기 위한 물리정보 기반 추적기가 포함된 시스템.
• 실-로봇 붓기 실험에서 서브 밀리초 지연과 더 높은 정확도를 입증한다.
• 정량적 비교를 통해 점진적 충전 및 동적 붓기 작업 전반에 걸친 성능을 시연한다.

제안 방법

• 액체 표면 반사에 대한 2D AoA–ToF 스펙트럼을 형성하기 위한 고해상도 거리–각 빔포밍.
• AoA–ToF 평면을 N×N 격자로 이산화하고 동상합(coherent summation)으로 P(i,j) 구축.
• 다중경로에도 불구하고 액체 표면을 추적하기 위해 시간에 따라 제약된 최적 경로 문제를 푸는 물리정보 기반 추적기(c_t with transition penalty).
• 전이를 제약하고 실시간 추적을 달성하기 위한 Q^2 이웃 영역의 사용.
• 로봇 시스템에서 TI IWR6843 mmWave 레이더(61.8 GHz, 3.6 GHz 대역폭)로 구현; 서브-밀리초 지연.

실험 결과

연구 질문

• RQ1 다중경로 잡음에도 불구하고 다이내믹 붓기 중에 mmWave 레이더가 강건하고 직접적인 액체 레벨 측정을 제공할 수 있는가?
• RQ2 비전 기반 및 초음파 기반 기준과 비교했을 때 RadarEye의 실시간 추적 성능은 어떠한가?
• RQ3 물리정보 기반의 시간적 최적화가 피크 기반 또는 학습 기반 방법보다 안정성과 정확도를 향상시키는가?
• RQ4 제안된 레이더 기반 파이프라인의 실-로봇 붓기에서의 지연(latency)와 정확도 간의 트레이드오프는 무엇인가?

주요 결과

• 실-로봇 붓기에서 0.62 ms 업데이트 지연과 함께 중앙값 액체 레벨 오차 0.35 cm.
• 점진적 충전 실험에서 단계별 표면 추적의 중앙값 오차가 0.12 cm로 나타남.
• RadarEye는 비전 기반(중앙값 오차 약 2.1 cm) 및 초음파 기반(중앙값 오차 약 4.3 cm) 기준보다 우수하다.
• AoA–ToF 스펙트럼 위의 깊은 학습 추적기는 약 40 ms 지연을 보이며, 반면 RadarEye 및 스무딩은 약 0.6 ms를 달성한다.
• 점진적 충전 중 표면 반사 피크는 오차가 낮은 상태에서 높이 변화 7.4 cm까지 정확하게 추적한다.