[論文レビュー] A Normal Distribution Transform-Based Radar Odometry Designed For Scanning and Automotive Radars

Pou-Chun Kung, Chieh‐Chih Wang+1 more|arXiv (Cornell University)|Mar 14, 2021

Robotics and Sensor-Based Localization参考文献 30被引用数 6

ひとこと要約

本稿では、スキャンレーダーと自動車レーダー処理を統合する新しい正規分布変換（NDT）ベースのレーダーオドメトリ手法を提案する。スキャンマッチングの前処理としてしきい値処理と確率的サブマップを用い、スパarsなまたはノイジーなスキャンを強化する。本手法は、両方のレーダー種別でセンチメートルレベルの精度を達成し、公的データセット上でのトランスレーション誤差で最高水準の手法を最大51%、回転誤差で29%上回る。

ABSTRACT

Existing radar sensors can be classified into automotive and scanning radars. While most radar odometry (RO) methods are only designed for a specific type of radar, our RO method adapts to both scanning and automotive radars. Our RO is simple yet effective, where the pipeline consists of thresholding, probabilistic submap building, and an NDT-based radar scan matching. The proposed RO has been tested on two public radar datasets: the Oxford Radar RobotCar dataset and the nuScenes dataset, which provide scanning and automotive radar data respectively. The results show that our approach surpasses state-of-the-art RO using either automotive or scanning radar by reducing translational error by 51% and 30%, respectively, and rotational error by 17% and 29%, respectively. Besides, we show that our RO achieves centimeter-level accuracy as lidar odometry, and automotive and scanning RO have similar accuracy.

研究の動機と目的

• スキャンレーダーと自動車レーダーの両方で動作する統一されたレーダーオドメトリ手法の欠如に対処する。
• 自動車レーダーのスパースな測定とスキャンレーダーの高ノイズスキャンの課題を克服する。
• 外部センサを必要とせず、トレーニングフリーの高精度なレーダー・オドメトリを実現し、LiDARオドメトリと同等の性能を達成する。
• 低解像度および低精度であるにもかかわらず、自動車レーダー・オドメトリがスキャンレーダー・オドメトリと同等の精度を達成できることを示す。
• ディープラーニングや外部キャリブレーションに依存しない、シンプルで効果的かつ容易に展開可能なパイプラインを提供する。

提案手法

• 低出力のレーダー返りをフィルタリングするためのしきい値モジュールを適用し、スキャンレーダーのスキャンにおけるノイズを低減する。
• 複数の連続スキャンから確率的レーダー・サブマップを構築し、特にスパースな自動車レーダーのデータ密度を向上させる。
• レーダー電力と測定不確実性を組み込んだ重み付き確率的NDTフレームワークを導入し、スキャンマッチングのロバスト性を向上させる。
• 空間的確率分布を用いたNDTベースのスキャンマッチングを用い、連続するレーダー・スキャンを整合化することで、外れ値への耐性を向上させる。
• エゴモーションの不確実性をサブマップ構築プロセスに統合し、マッチング精度を向上させる。
• 再トレーニングやアーキテクチャの変更なしに、同じパイプラインをスキャンレーダーと自動車レーダーの両方のデータに適用する。

実験結果

リサーチクエスチョン

• RQ1 同一のレーダー・オドメトリフレームワークが、スキャンレーダーと自動車レーダーの両方で高い精度を達成できるか？
• RQ2 提案手法は、学習ベースおよび非学習ベースの最新のレーダー・オドメトリと比較して、トランスレーション誤差および回転誤差の観点でどの程度優れているか？
• RQ3 自動車レーダーがどれほどスキャンレーダーやLiDARオドメトリと同等の精度に達成できるか？
• RQ4 確率的サブマップとNDTベースのマッチングが、相関ベースやICPベースの手法よりも、スパースまたはノイジーなレーダー・データの処理において優れているか？
• RQ5 トレーニングフリーのしきい値処理ベースの前処理ステップが、ノイズを効果的に処理しつつ、正確なスキャンマッチングに必要な特徴を保持できるか？

主な発見

• 提案手法は、nuScenesデータセット上での最新の自動車レーダー・オドメトリと比較して、トランスレーション誤差を51%、回転誤差を17%削減した。
• オックスフォード・レーダー・ロボットカー・データセット上では、最新のスキャンレーダー・オドメトリと比較して、トランスレーション誤差を30%、回転誤差を29%削減した。
• 自動車レーダーとスキャンレーダーの両方のオドメトリがセンチメートルレベルの精度を達成し、ICPベースのスキャンマッチングを用いたLiDARオドメトリの性能と一致した。
• より単純なしきい値処理を用いているにもかかわらず、「Movingによるマスキング」（学習ベース）の手法と比較して、トランスレーション誤差で29%、回転誤差で27%優れた性能を示した。
• しきい値処理がすべてのノイズを除去できなくても、NDTベースのスキャンマッチングは相関ベースのマッチングよりも外れ値に対してよりロバストであることが分かった。
• 確率的サブマップアプローチは、スパースな自動車レーダー・スキャンから密度の高い情報を効果的に再構築でき、マッチングの安定性と精度を向上させた。