EFEAR-4D: Ego-Velocity Filtering for Efficient and Accurate 4D radar Odometry

要約

オドメトリは、カメラ、LiDAR、IMU などのセンサーに依存して自律ナビゲーションを正常に実装するための重要なコンポーネントです。
ただし、これらのセンサーは、降雪や霧などの極端な気象条件では問題が発生する可能性があります。
FMCW レーダー技術の出現により、悪条件下でも確実に認識できる可能性が生まれました。
最新世代の FWCW レーダーとして、4D ミリ波レーダーは、点群に固有のスパース性やノイズがあるにもかかわらず、距離、方位角、高度、ドップラー速度の情報を点群に提供します。
この論文では、大規模な 4D レーダー オドメトリ推定のための、正確かつ高効率で学習不要の方法である EFEAR-4D を提案します。
EFEAR-4D は、ドップラー速度情報を繊細に利用して堅牢な自我速度推定を行い、その結果、非常に正確な事前推測が得られます。
EFEAR-4D は、動的なオブジェクトの除去と効果的な領域ごとの特徴抽出を通じて、さまざまな環境にわたる点群のスパース性とノイズに対する堅牢性を維持します。
2 つの公的に利用可能な 4D レーダー データセットに関する広範な実験により、さまざまな条件下での EFEAR-4D の最先端の信頼性と位置特定精度が実証されました。
さらに、同じルートに沿って 4D レーダーの設置高さを変えてデータセットを収集しました。これは、現実世界の展開において重要な考慮事項である、点群の品質に対するレーダーの高さの重大な影響を強調しています。
私たちのアルゴリズムとデータセットは、https://github.com/CLASS-Lab/EFEAR-4D でまもなく利用可能になります。

要約(オリジナル)

Odometry is a crucial component for successfully implementing autonomous navigation, relying on sensors such as cameras, LiDARs and IMUs. However, these sensors may encounter challenges in extreme weather conditions, such as snowfall and fog. The emergence of FMCW radar technology offers the potential for robust perception in adverse conditions. As the latest generation of FWCW radars, the 4D mmWave radar provides point cloud with range, azimuth, elevation, and Doppler velocity information, despite inherent sparsity and noises in the point cloud. In this paper, we propose EFEAR-4D, an accurate, highly efficient, and learning-free method for large-scale 4D radar odometry estimation. EFEAR-4D exploits Doppler velocity information delicately for robust ego-velocity estimation, resulting in a highly accurate prior guess. EFEAR-4D maintains robustness against point-cloud sparsity and noises across diverse environments through dynamic object removal and effective region-wise feature extraction. Extensive experiments on two publicly available 4D radar datasets demonstrate state-of-the-art reliability and localization accuracy of EFEAR-4D under various conditions. Furthermore, we have collected a dataset following the same route but varying installation heights of the 4D radar, emphasizing the significant impact of radar height on point cloud quality – a crucial consideration for real-world deployments. Our algorithm and dataset will be available soon at https://github.com/CLASS-Lab/EFEAR-4D.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google