[论文解读] 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 6

一句话总结

本文提出了一种基于正态分布变换（NDT）的新型雷达里程计方法，统一了扫描雷达与车载雷达的处理流程，通过阈值化处理和概率子图构建，在NDT匹配前增强稀疏或噪声较大的扫描数据。该方法在两种雷达类型上均实现了厘米级精度，在公开数据集上的平移误差和旋转误差分别优于最先进方法51%和29%。

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.

研究动机与目标

• 解决现有雷达里程计方法无法同时适用于扫描雷达与车载雷达的问题。
• 克服车载雷达稀疏测量与扫描雷达高噪声扫描带来的挑战。
• 实现无需训练、无需外部传感器的高精度雷达里程计，性能可与激光雷达里程计相媲美。
• 证明尽管分辨率和精度较低，车载雷达里程计仍可达到与扫描雷达里程计相当的精度。
• 提供一种简单而高效的部署管道，无需深度学习或外部标定。

提出的方法

• 应用阈值模块过滤低功率雷达回波，减少扫描雷达扫描中的噪声。
• 从多个连续扫描构建概率雷达子图，以提高数据密度，尤其适用于稀疏的车载雷达。
• 在加权概率NDT框架中引入雷达功率和测量不确定性，以实现鲁棒的扫描匹配。
• 使用基于NDT的扫描匹配，结合空间概率分布对齐连续雷达扫描，提升对异常值的鲁棒性。
• 将自身运动不确定性整合到子图构建过程中，以提高匹配精度。
• 对扫描雷达与车载雷达数据应用相同的处理流程，无需重新训练或修改网络结构。

实验结果

研究问题

• RQ1 单一雷达里程计框架是否能在扫描雷达与车载雷达传感器上均实现高精度？
• RQ2 与最先进基于学习和非学习的雷达里程计相比，该方法在平移误差和旋转误差上的表现如何？
• RQ3 车载雷达在多大程度上可实现与扫描雷达及激光雷达里程计相当的精度？
• RQ4 概率子图与基于NDT的匹配方法是否在处理稀疏或噪声雷达数据时优于基于互相关或ICP的方法？
• RQ5 无需训练的基于阈值的预处理步骤是否能有效处理雷达噪声，同时保留关键特征以实现精确的扫描匹配？

主要发现

• 在nuScenes数据集上，与最先进车载雷达里程计相比，所提方法将平移误差降低51%，旋转误差降低17%。
• 在牛津雷达RobotCar数据集上，与最先进扫描雷达里程计相比，该方法将平移误差降低30%，旋转误差降低29%。
• 车载雷达与扫描雷达里程计均实现了厘米级精度，性能与基于ICP的激光雷达里程计相当。
• 尽管采用更简单的阈值处理而非训练过的掩码网络，该方法在平移误差上仍比基于学习的“运动掩码”方法低29%，旋转误差低27%。
• 即使在阈值处理未能完全去除噪声时，基于NDT的扫描匹配也比基于互相关的匹配更具鲁棒性。
• 概率子图方法能有效从稀疏的车载雷达扫描中重建密集信息，提升匹配的稳定性和精度。