[论文解读] RadarSLAM: Radar based Large-Scale SLAM in All Weathers

Ziyang Hong, Yvan Pétillot+1 more|arXiv (Cornell University)|May 5, 2020

Robotics and Sensor-Based Localization参考文献 23被引用 17

一句话总结

RadarSLAM 提出了一套基于全雷达的图 SLAM 系统，采用 FMCW 雷达实现极端天气条件下鲁棒的大规模定位与制图。通过利用概率点云生成、雷达几何特性及图优化，该系统在浓雾、大雪和夜间等场景中实现了最先进的精度与可靠性，优于视觉和激光雷达（LiDAR）方法在恶劣条件下的表现。

ABSTRACT

Numerous Simultaneous Localization and Mapping (SLAM) algorithms have been presented in last decade using different sensor modalities. However, robust SLAM in extreme weather conditions is still an open research problem. In this paper, RadarSLAM, a full radar based graph SLAM system, is proposed for reliable localization and mapping in large-scale environments. It is composed of pose tracking, local mapping, loop closure detection and pose graph optimization, enhanced by novel feature matching and probabilistic point cloud generation on radar images. Extensive experiments are conducted on a public radar dataset and several self-collected radar sequences, demonstrating the state-of-the-art reliability and localization accuracy in various adverse weather conditions, such as dark night, dense fog and heavy snowfall.

研究动机与目标

• 解决在传统传感器（如相机和 LiDAR）失效的极端天气条件下实现鲁棒大规模 SLAM 的挑战。
• 开发一种完全基于雷达的 SLAM 系统，确保在浓雾、大雪和低能见度等恶劣条件下仍保持高精度与一致性。
• 通过新颖的信号处理与建模方法，有效克服雷达数据中固有的噪声与失真问题，如斑点噪声、多路径反射和接收器饱和。
• 利用雷达特有的几何特征与概率建模，实现可靠的关键帧闭环检测与全局一致性。
• 在公共与自采雷达数据集上，于极端天气条件下验证系统实时性能与高定位精度。

提出的方法

• 通过双线性插值与缩放因子 γ 将原始 FMCW 雷达极坐标扫描转换为笛卡尔图像，以支持度量感知处理。
• 应用概率点云生成模型以减少斑点噪声，提升特征可靠性，增强后续匹配与制图性能。
• 利用雷达几何与图表示实现高效特征匹配与位姿跟踪，通过最大团检测实现异常值剔除。
• 实现完整的图 SLAM 流程，包括位姿跟踪、局部建图、闭环检测与位姿图优化，以保证全局一致性。
• 在笛卡尔雷达图像上采用自监督关键点检测框架进行运动估计与闭环检测，降低对外部监督的依赖。
• 集成基于概率点云匹配的鲁棒闭环检测机制，提升在大规模环境中的长期一致性。

实验结果

研究问题

• RQ1 完全基于雷达的 SLAM 系统是否能在极端天气条件下实现大规模室外环境中的可靠定位与制图？
• RQ2 如何有效缓解雷达特有的噪声源（如斑点噪声、多路径反射与接收器饱和）以支持精确 SLAM？
• RQ3 与原始信号处理相比，从雷达图像中生成概率点云在特征匹配与闭环检测方面能带来多大程度的性能提升？
• RQ4 在浓雾、大雪与夜间等恶劣条件下，基于雷达的 SLAM 与视觉及 LiDAR SLAM 在精度与鲁棒性方面相比如何？
• RQ5 仅使用雷达数据的基于图的 SLAM 框架是否能在复杂环境中长期运行并保持全局一致性与实时性能？

主要发现

• RadarSLAM 实现了 2.1854% 的平移误差与 0.0071 deg/m 的旋转误差，显著优于其自身的纯死人推算基线。
• 该系统在牛津雷达数据集（序列 10-12-32-52）中成功实现了超过 9.04 km 的定位与制图，证明了其在大规模环境中的可扩展性。
• 在自采序列中，RadarSLAM 在浓雾（4.7–4.8 km）、大雪（8.7 km）与夜间（5.6 km）条件下仍能保持精确轨迹，而相机与 LiDAR 系统因传感器遮挡或能见度差而失效。
• 在雪地序列中，相机与 LiDAR 完全被遮挡，雷达前半部分也被遮挡，RadarSLAM 仍成功完成导航与制图。
• 系统在标准笔记本电脑（Intel i7，16GB RAM）上运行速度约为 6 Hz，证实其具备在线运行的实时性能。
• 与 ORB-SLAM2、LOAM 和 SuMa 相比，RadarSLAM 在恶劣条件下实现了相当或更优的精度，且显著提升了鲁棒性与跟踪稳定性。