RAVE: A Framework for Radar Ego-Velocity Estimation

要約

状態推定は自律システムの重要なコンポーネントであり、通常はカメラ、LiDAR、IMU からのデータを統合するセンサー フュージョンに依存します。
最近、レーダーは、特に悪天候や低照度シナリオなどの困難な環境条件において、状態の推定と認識の精度と堅牢性を向上させる可能性を示しています。
この論文では、RAVE と呼ばれる自我速度推定のフレームワークを紹介します。これは 3D 自動車レーダー データに依存し、ゼロ速度検出、外れ値の除去、および速度推定を含みます。
さらに、実現不可能な自我速度推定を破棄するための単純なフィルタリング方法を提案します。
また、さまざまな既存の外れ値除去手法や最適化損失関数が推定精度にどのような影響を与えるかについての体系的な分析も実施します。
3 つのオープンソース データセットに対する私たちの評価は、提案されたフィルターの有効性と、オドメトリ精度に対する RAVE の大きなプラスの影響を示しています。
さらに、ROS インターフェースを伴うレーダー自我速度推定用の提案フレームワークのオープンソース実装をリリースします。

要約(オリジナル)

State estimation is an essential component of autonomous systems, usually relying on sensor fusion that integrates data from cameras, LiDARs and IMUs. Recently, radars have shown the potential to improve the accuracy and robustness of state estimation and perception, especially in challenging environmental conditions such as adverse weather and low-light scenarios. In this paper, we present a framework for ego-velocity estimation, which we call RAVE, that relies on 3D automotive radar data and encompasses zero velocity detection, outlier rejection, and velocity estimation. In addition, we propose a simple filtering method to discard infeasible ego-velocity estimates. We also conduct a systematic analysis of how different existing outlier rejection techniques and optimization loss functions impact estimation accuracy. Our evaluation on three open-source datasets demonstrates the effectiveness of the proposed filter and a significant positive impact of RAVE on the odometry accuracy. Furthermore, we release an open-source implementation of the proposed framework for radar ego-velocity estimation accompanied with a ROS interface.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google