[论文解读] Lidar-level localization with radar? The CFEAR approach to accurate, fast and robust large-scale radar odometry in diverse environments

Daniel Adolfsson, Martin Magnusson+3 more|arXiv (Cornell University)|Nov 4, 2022

Robotics and Sensor-Based Localization被引用 4

一句话总结

本论文提出 CFEAR，一种无需学习、实时的雷达里程计方法，通过结合运动补偿的一对多扫描匹配、鲁棒损失函数以及定向表面点估计，利用旋转雷达实现了激光雷达级别的定位精度。与先前的雷达里程计相比，其漂移减少了38%，在牛津雷达RobotCar基准测试中，5 Hz时的平移误差为1.09%，优于当前最先进的雷达SLAM方法，且接近无回环闭合的激光雷达SLAM性能。

ABSTRACT

This paper presents an accurate, highly efficient, and learning-free method for large-scale odometry estimation using spinning radar, empirically found to generalize well across very diverse environments -- outdoors, from urban to woodland, and indoors in warehouses and mines - without changing parameters. Our method integrates motion compensation within a sweep with one-to-many scan registration that minimizes distances between nearby oriented surface points and mitigates outliers with a robust loss function. Extending our previous approach CFEAR, we present an in-depth investigation on a wider range of data sets, quantifying the importance of filtering, resolution, registration cost and loss functions, keyframe history, and motion compensation. We present a new solving strategy and configuration that overcomes previous issues with sparsity and bias, and improves our state-of-the-art by 38%, thus, surprisingly, outperforming radar SLAM and approaching lidar SLAM. The most accurate configuration achieves 1.09% error at 5Hz on the Oxford benchmark, and the fastest achieves 1.79% error at 160Hz.

研究动机与目标

• 开发一种高精度、快速且鲁棒的雷达里程计系统，无需参数调优即可在多样化的真实世界环境中泛化。
• 通过整合运动补偿与多 sweeps 扫描匹配，克服雷达里程计中稀疏性、噪声和偏差等挑战。
• 仅使用雷达，在无学习和无回环闭合的情况下，实现与激光雷达SLAM相当的性能。
• 系统性地评估并量化过滤、分辨率、损失函数以及关键帧历史对里程计精度的影响。

提出的方法

• 该方法采用保守的过滤策略，从原始雷达扫描中提取定向表面点，提升特征质量并减少噪声。
• 通过将最新扫描同时对齐至多个先前的关键帧，实现一对多扫描匹配，最小化点到线距离。
• 应用鲁棒损失函数以降低异常值的影响，减轻斑点噪声和鬼影物体的影响。
• 在每个扫描周期内集成运动补偿，以校正数据采集期间平台运动，提升对齐精度。
• 系统采用强度加权的表面点估计与残差加权，增强对低质量特征的鲁棒性。
• 提出一种新型求解策略，加速计算，实现在标准CPU上高达160 Hz的实时性能。

实验结果

研究问题

• RQ1 在动态环境中，将运动补偿集成到每个雷达扫描周期内，对里程计精度和鲁棒性有何影响？
• RQ2 关键帧历史与多扫描匹配对减少稀疏雷达数据中的漂移和提升位姿估计有何影响？
• RQ3 过滤、分辨率、损失函数与残差加权如何共同影响雷达里程计的性能？
• RQ4 无学习的雷达里程计流水线是否能在无需参数调整的情况下，泛化至多样化环境（如城市、林地、仓库及地下矿井）？
• RQ5 在无回环闭合或后处理优化的情况下，雷达里程计在定位精度上能在多大程度上接近激光雷达SLAM性能？

主要发现

• CFEAR最优化配置在牛津雷达RobotCar数据集上，5 Hz时达到1.09%的平移误差，相比先前最先进的雷达里程计性能提升38%。
• 最快配置运行速度达160 Hz，平移误差为1.79%，证明其在标准硬件上的实时可行性。
• 在牛津数据集上，该方法比当前最先进的雷达SLAM方法漂移减少40.4%；在MulRan数据集上减少26.7%。
• 系统在无需参数调优的情况下，可在多样化环境中（包括城市、林地、仓库及地下矿井）实现稳健泛化。
• 结合鲁棒损失函数与运动补偿的一对多扫描匹配显著降低了偏差与噪声，尤其在稀疏或噪声较大的条件下。
• 消融实验确认，强度加权表面点、残差加权与运动补偿对最小化漂移和提升精度至关重要。