[论文解读] MAROAM: Map-based Radar SLAM through Two-step Feature Selection

Dequan Wang, Yifan Duan+4 more|arXiv (Cornell University)|Oct 25, 2022

Robotics and Sensor-Based Localization被引用 4

一句话总结

MAROAM 是一种基于地图的雷达 SLAM 框架，采用两步特征选择策略——首先应用基于几何的过滤方法提取表面特征，然后通过概率过滤仅保留频繁检测到的特征——从而生成鲁棒且全局一致的地图。该框架在 Oxford Radar RobotCar、MulRAN 和 Boreas 数据集上分别优于现有方法 7.95%、37.0% 和 8.9%，相较于扫描到帧的里程计方法提升 28.6%。

ABSTRACT

In this letter, we propose MAROAM, a millimeter wave radar-based SLAM framework, which employs a two-step feature selection process to build the global consistent map. Specifically, we first extract feature points from raw data based on their local geometric properties to filter out those points that violate the principle of millimeter-wave radar imaging. Then, we further employ another round of probabilistic feature selection by examining how often and how recent the feature point has been detected in the proceeding frames. With such a two-step feature selection, we establish a global consistent map for accurate and robust pose estimation as well as other downstream tasks. At last, we perform loop closure and graph optimization in the back-end, further reducing the accumulated drift error. We evaluate the performance of MAROAM on the three datasets: the Oxford Radar RobotCar Dataset, the MulRan Dataset and the Boreas Dataset. We consider a variety of experimental settings with different scenery, weather, and road conditions. The experimental results show that the accuracy of MAROAM is 7.95%, 37.0% and 8.9% higher than the currently best-performing algorithms on these three datasets, respectively. The ablation results also show that our map-based odometry performs 28.6% better than the commonly used scan-to-frames method. Finally, as devoted contributors to the open-source community, we will open source the algorithm after the paper is accepted.

研究动机与目标

• 为解决毫米波雷达 SLAM 中低质量特征点导致的地图一致性下降与位姿估计精度降低的问题。
• 通过引入两阶段特征选择机制，提升纯雷达 SLAM 中的地图质量并减少漂移。
• 仅利用高频、稳定的特征，实现 ICP 基雷达 SLAM 中可靠的扫描到地图匹配。
• 在多样化的实际环境条件下（包括不同天气、光照和道路类型）评估该框架的性能。
• 在论文被接收后开源该算法，以回馈开源机器人社区。

提出的方法

• 系统首先使用局部线性度和局部聚合方法进行基于几何的过滤，从原始雷达点云中提取表面特征，剔除与雷达成像原理不一致的点。
• 采用点到线 ICP 算法，利用所选表面特征估计连续扫描之间的相对位姿，提升配准精度。
• 采用基于概率的过滤方法，动态移除在帧间检测频率较低的特征，仅保留稳定且可重复检测的特征用于地图构建。
• 框架采用 Scan Context 进行回环检测，适配雷达数据格式，以校正累积漂移。
• 在后端应用图优化，对轨迹和地图进行精细化调整，提升全局一致性。
• 仅使用最频繁检测且几何上一致的特征对地图进行增量式更新，确保长期鲁棒性。

实验结果

研究问题

• RQ1 特征选择如何提升纯雷达 SLAM 系统的地图质量并减少漂移？
• RQ2 结合几何与概率过滤的两步特征选择策略，能否增强 ICP 基雷达 SLAM 中扫描到地图匹配的鲁棒性？
• RQ3 所提出的基于地图的里程计与传统扫描到帧方法相比，在精度和漂移减少方面表现如何？
• RQ4 该框架在多样环境（包括恶劣天气和低纹理场景）下的性能保持程度如何？
• RQ5 回环检测与图优化对雷达 SLAM 最终轨迹精度的贡献有多大？

主要发现

• 在 Oxford Radar RobotCar 数据集上，MAROAM 的精度比现有最佳方法高出 7.95%。
• 在 MulRAN 数据集上，MAROAM 相较于最先进算法 Hong SLAM v2，将漂移误差降低了 37.0%。
• 在 Boreas 数据集上，MAROAM 相较于 HERO，将平移误差降低 8.9%，旋转误差降低 19.6%。
• 消融实验表明，基于地图的里程计相比扫描到帧方法，精度提升了 28.6%。
• 移除概率过滤后，里程计误差从 1.80% 上升至 3.16%（平移）；禁用几何过滤后误差升至 8.00%，证实两种过滤机制均至关重要。
• 引入回环检测后，轨迹误差从 1.80% 降低至 1.63%（平移），表明其在漂移校正中起关键作用。