[논문 리뷰] RadarSLAM: Radar based Large-Scale SLAM in All Weathers

Ziyang Hong, Yvan Pétillot외 1명|arXiv (Cornell University)|2020. 05. 05.

Robotics and Sensor-Based Localization참고 문헌 23인용 수 17

한 줄 요약

RadarSLAM은 FMCW 레이더를 사용하여 극한 기상 조건에서 강력한 대규모 정위치 및 맵핑을 위한 완전한 레이더 기반 그래프 SLAM 시스템을 제안한다. 확률적 포인트 클라우드 생성, 레이더 기하학, 그리고 그래프 최적화를 활용하여 농무, 폭설, 야간 환경에서 최신 기술 수준의 정확도와 신뢰성을 달성하며, 불리한 조건에서 비전 및 라이다 기반 방법보다 뛰어난 성능을 발휘한다.

ABSTRACT

Numerous Simultaneous Localization and Mapping (SLAM) algorithms have been presented in last decade using different sensor modalities. However, robust SLAM in extreme weather conditions is still an open research problem. In this paper, RadarSLAM, a full radar based graph SLAM system, is proposed for reliable localization and mapping in large-scale environments. It is composed of pose tracking, local mapping, loop closure detection and pose graph optimization, enhanced by novel feature matching and probabilistic point cloud generation on radar images. Extensive experiments are conducted on a public radar dataset and several self-collected radar sequences, demonstrating the state-of-the-art reliability and localization accuracy in various adverse weather conditions, such as dark night, dense fog and heavy snowfall.

연구 동기 및 목표

• 기존 카메라 및 라이다와 같은 센서가 실패하는 극한 기상 조건에서 강력한 대규모 SLAM 도전 과제를 해결한다.
• 농무, 폭설, 저조도와 같은 악조건에서도 정확성과 일관성을 유지하는 완전한 레이더 기반 SLAM 시스템을 개발한다.
• 스피커, 다중 경로 반사, 수신기 포화와 같은 레이더 데이터의 고유한 노이즈 및 왜곡을 새로운 신호 처리 및 모델링 기법을 통해 극복한다.
• 레이더 전용 기하학적 특징과 확률적 모델링을 활용하여 대규모 환경에서 신뢰할 수 있는 루프 클로처 탐지 및 글로벌 일관성을 확보한다.
• 공개 및 자체 수집 레이더 데이터셋을 바탕으로 극한 기상 조건에서 실시간 성능과 높은 정위치 정확도를 입증한다.

제안 방법

• 이중 선형 보간과 스케일링 인자 γ를 사용하여 원시 FMCW 레이더 극좌표 스캔을 카르테시안 이미지로 변환하여 메트릭 인식 처리를 가능하게 한다.
• 스피커 노이즈 감소 및 특징 신뢰성 향상을 위한 확률적 포인트 클라우드 생성 모델을 적용하여 후속 매칭 및 맵핑 성능을 향상시킨다.
• 레이더 기하학과 그래프 표현을 활용하여 효율적인 특징 매칭 및 자세 추적을 수행하며, 최대 클리크 탐지 기반 이상치 제거를 포함한다.
• 자세 추적, 로컬 맵핑, 루프 클로저 탐지, 자세 그래프 최적화를 포함한 완전한 그래프 SLAM 파이프라인을 구현하여 글로벌 일관성을 확보한다.
• 카르테시안 레이더 이미지에 대해 자기지도 학습 기반의 关键점 탐지 프레임워크를 도입하여 외부 감독에 의존도를 감소시키고, 운동 추정 및 루프 클로저를 수행한다.
• 확률적 포인트 클라우드 매칭 기반의 강력한 루프 클로저 탐지 메커니즘을 통합하여 대규모 환경에서 장기적 일관성을 향상시킨다.

실험 결과

연구 질문

• RQ1 완전히 레이더 기반의 SLAM 시스템이 극한 기상 조건에서 대규모 실외 환경에서 신뢰할 수 있는 정위치 및 맵핑을 달성할 수 있는가?
• RQ2 스피커, 다중 경로 반사, 수신기 포화와 같은 레이더 전용 노이즈 원천은 어떻게 효과적으로 완화할 수 있는가? 이를 통해 정확한 SLAM을 가능하게 할 수 있는가?
• RQ3 레이더 이미지에서 유도된 확률적 포인트 클라우드 생성 기법이 원시 신호 처리에 비해 특징 매칭 및 루프 클로저 탐지 성능을 얼마나 향상시킬 수 있는가?
• RQ4 농무, 폭설, 야간과 같은 불리한 조건에서 레이더 기반 SLAM은 비전 및 라이다 기반 SLAM에 비해 정확도와 내구성 면에서 어떻게 비교되는가?
• RQ5 오직 레이더 데이터만을 사용하는 그래프 기반 SLAM 프레임워크가 도전적인 환경에서 장시간 시퀀스 동안 글로벌 일관성과 실시간 성능을 유지할 수 있는가?

주요 결과

• RadarSLAM은 이동 오차 2.1854%와 회전 오차 0.0071 deg/m를 기록하며, 자체 순수 오도메트리 기반 베이스라인을 크게 앞서는 성능을 보였다.
• 옥스포드 레이더 데이터셋(시퀀스 10-12-32-52)에서 9.04 km 이상을 성공적으로 정위치 및 맵핑하여 대규모 환경에서의 확장성을 입증했다.
• 자체 수집 시퀀스에서 RadarSLAM은 농무(4.7–4.8 km), 폭설(8.7 km), 야간(5.6 km) 환경에서도 정확한 궤적 유지를 유지했으며, 카메라 및 라이다 시스템은 센서 가림 또는 시야 확보 불량으로 실패했다.
• 카메라 및 라이다가 완전히 가려지고 레이더의 앞부분도 차단된 눈 시퀀스에서도 RadarSLAM은 성공적으로 주행 및 맵핑을 수행했다.
• 표준 랩탑(인텔 i7, 16GB RAM)에서 약 6 Hz로 실행되어 온라인 운영을 위한 실시간 성능을 확인했다.
• ORB-SLAM2, LOAM, SuMa와 비교해도 RadarSLAM은 불리한 조건에서 유사하거나 더 높은 정확도를 기록했으며, 특히 내구성과 추적 안정성 면에서 뚜렷한 향상을 보였다.