[论文解读] BFAR-Bounded False Alarm Rate detector for improved radar odometry estimation

Anas Alhashimi, Daniel Adolfsson+3 more|arXiv (Cornell University)|Sep 20, 2021

Radar Systems and Signal Processing参考文献 28被引用 5

一句话总结

该论文提出BFAR，一种有界虚警率检测器，通过学习最优噪声阈值参数（基于估计噪声水平的仿射变换），在Oxford Radar RobotCar数据集上将雷达里程计误差相比最先进方法降低了12.5%。

ABSTRACT

This paper presents a new detector for filtering noise from true detections in radar data, which improves the state of the art in radar odometry. Scanning Frequency-Modulated Continuous Wave (FMCW) radars can be useful for localization and mapping in low visibility, but return a lot of noise compared to (more commonly used) lidar, which makes the detection task more challenging. Our Bounded False-Alarm Rate (BFAR) detector is different from the classical Constant False-Alarm Rate (CFAR) detector in that it applies an affine transformation on the estimated noise level after which the parameters that minimize the estimation error can be learned. BFAR is an optimized combination between CFAR and fixed-level thresholding. Only a single parameter needs to be learned from a training dataset. We apply BFAR to the use case of radar odometry, and adapt a state-of-the-art odometry pipeline (CFEAR), replacing its original conservative filtering with BFAR. In this way we reduce the state-of-the-art translation/rotation odometry errors from 1.76%/0.5deg/100 m to 1.55%/0.46deg/100 m; an improvement of 12.5%.

研究动机与目标

• 解决FMCW雷达数据中高噪声与杂波导致的雷达里程计性能下降问题。
• 克服传统恒虚警率（CFAR）检测器对环境特定P_FA值精确调参的依赖，以及在噪声条件变化时的失效问题。
• 开发一种鲁棒且可训练的检测器，实现检测灵敏度与虚警控制之间的平衡，以提升纯雷达里程计性能。
• 证明BFAR在集成至CFEAR流水线后，可有效降低里程计估计误差。
• 通过从训练数据中学习单一参数，实现灵活的参数选择，避免手动调参P_FA。

提出的方法

• BFAR对估计的噪声水平应用仿射变换，由缩放因子（a）和偏移量（b）参数化，以自适应设置检测阈值。
• 通过在训练数据集上最小化里程计估计误差来优化阈值参数（a, b），而非依赖固定的P_FA值。
• BFAR被设计为CA-CFAR与固定阈值法的混合体，兼具对非平稳噪声的鲁棒性与高检测精度。
• 检测器被集成至CFEAR里程计流水线，取代其原始的保守滤波机制。
• 参数学习通过在a、b上进行网格搜索完成，P_FA_ub（虚警率上限）由a推导得出，以确保虚警率有界。
• 该方法在Oxford Radar RobotCar数据集上进行评估，将BFAR增强的CFEAR与基线雷达和激光雷达里程计方法进行比较。

实验结果

研究问题

• RQ1 可训练检测器是否能通过改善噪声滤除，降低纯雷达定位中的里程计误差，相比经典CFAR？
• RQ2 在不同环境噪声与杂波条件下，BFAR与CA-CFAR及其他雷达里程计基线方法相比表现如何？
• RQ3 单一学习参数（a）与偏移量（b）在多大程度上能提升对多样化雷达信号条件的检测鲁棒性？
• RQ4 当P_FA未知或可变时，BFAR是否能实现比传统CFAR更灵活可靠的参数选择？
• RQ5 BFAR能否有效集成至现有里程计流水线（如CFEAR）中，实现最先进性能？

主要发现

• 在Oxford Radar RobotCar数据集上，BFAR将平移误差从1.76%降低至1.55%，旋转误差从0.5°降低至0.46%，相比最先进方法提升12.5%。
• BFAR的最优参数为a=1、b=20，对应P_FA_ub=9.5×10⁻⁷，该参数组合在所有测试序列中最小化了里程计误差。
• BFAR在广泛的P_FA_ub取值范围内（包括P_FA_ub=1，即等效于固定阈值法）均保持低误差，表现出对参数变化的鲁棒性。
• 相比之下，CA-CFAR在P_FA范围外性能急剧下降，凸显BFAR在灵活性与可靠性方面的优势。
• 将BFAR集成至CFEAR流水线后，误差低于原始CFEAR采用k个最强信号滤波的版本，证实了学习阈值方法的优越性。
• BFAR优于多个雷达里程计基线方法（包括Hero、Under the Radar、Barnes Dual Cart），在部分序列中接近激光雷达方法SuMa的性能。