[论文解读] Masking by Moving: Learning Distraction-Free Radar Odometry from Pose Information
该论文提出一个端到端的雷达里程计系统，使用带可学习 artefact-masked 的嵌入与可微分相关性匹配，实现鲁棒、快速的位姿估计与不确定性量化，并基于位姿数据自监督训练。
This paper presents an end-to-end radar odometry system which delivers robust, real-time pose estimates based on a learned embedding space free of sensing artefacts and distractor objects. The system deploys a fully differentiable, correlation-based radar matching approach. This provides the same level of interpretability as established scan-matching methods and allows for a principled derivation of uncertainty estimates. The system is trained in a (self-)supervised way using only previously obtained pose information as a training signal. Using 280km of urban driving data, we demonstrate that our approach outperforms the previous state-of-the-art in radar odometry by reducing errors by up 68% whilst running an order of magnitude faster.
研究动机与目标
- 在恶劣天气和混乱环境中推动鲁棒的自我运动估计，在此雷达相对于视觉/激光雷达具优势。
- 开发一个端到端、可微分的雷达里程计流水线，通过基于相关性的匹配来保持可解释性。
- 学习雷达特征嵌入，抑制 artefacts 和动态物体，同时保留静态场景结构。
- 为位姿预测提供原理性不确定性估计，以支持鲁棒部署。
提出的方法
- 使用一个完全可微的、基于相关性的扫描匹配，作用在学习的雷达嵌入 S = M ⊙ Z 上，其中 M = fα(Z) 是由 CNN（U-Net）产生的遮罩。
- 通过最小化在连续雷达扫描上预测位姿 p̂ 与真值位姿 p 之间的均方误差来训练 α（通过位姿信息的自监督）。
- 使用 FFT 对屏蔽后的扫描计算二维互相关，以实现高效穷举位姿搜索，并应用 soft-argmax 以获得亚网格的位姿估计。
- 将对候选位姿的 softmax 权重解释为概率，并从加权位姿分布推导出类似高斯分布的协方差矩阵 Σ，以量化位姿不确定性。
- 通过在 softmax 中调节温度参数 β，使均值马氏距离与期望的卡方分布对齐，从而实现经过校准的不确定性。
- 可选地比较笛卡尔与极坐标雷达输入，以及单遮罩与双遮罩配置，以研究性能与可解释性之间的权衡。
实验结果
研究问题
- RQ1学得的遮罩表示是否能在对抗杂乱场景和动态物体时提高雷达里程计的鲁棒性，同时保留可解释的基于相关性的扫描匹配？
- RQ2端到端的位姿监督训练是否相对于在代理任务或原始雷达数据上训练的遮罩方法，在里程计精度和速度方面带来显著提升？
- RQ3是否可以在雷达里程计系统中，通过对位姿候选项的可微分 softmax 加权，获得经校准的逐位姿的不确定性估计？
- RQ4针对位姿估计和计算速度，笛卡尔与极坐标雷达表示，以及单输入遮罩与双输入遮罩配置的比较收益？
主要发现
- 该方法相对于现有方法在城市雷达数据上的平移和旋转误差减少高达68%。
- 系统比之前的最佳雷达里程计方法快一个数量级，在某些配置下实现高频率（超过100 Hz）。
- 学习为位姿预测优化的雷达特征嵌入显著提高精度，远超对原始扫描的相关匹配，误差相对降低超过85%。
- 通过位姿监督学习的遮罩比通过代理任务（静态占据标注）训练的遮罩表现更好。
- 该方法通过基于 softmax 权重的协方差提供原理性、经过校准的位姿预测不确定性估计，能够检测病态情况并提升可靠性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。