Pointing the Way: Refining Radar-Lidar Localization Using Learned ICP Weights

要約

この論文では、LIDAR マップに対するレーダー測定のローカライズを改善するための、新しいディープラーニング ベースのアプローチを紹介します。
このレーダーとライダーの位置特定では、両方のセンサーの利点を活用します。
レーダーは悪天候に対して耐性があり、ライダーは晴天の条件下で高品質の地図を生成します。
しかし、レーダー測定に存在する独特のアーティファクトのせいで、レーダー-ライダー位置特定は、ライダー-ライダーシステムと同等の性能を達成するのに苦労しており、自動運転には使用できません。
この研究は、高レベルのスキャン情報に基づいてレーダー ポイントに重みを付ける学習済み前処理ステップを組み込むことにより、ICP ベースのレーダー/ライダー位置特定に基づいて構築されています。
重み生成ネットワークをトレーニングするために、新しいスタンドアロンのオープンソース微分可能な ICP ライブラリを紹介します。
学習された重みは、アーチファクト、騒音、さらには道路上の車両に関連する有害なレーダー ポイントをフィルタリングして除去することにより、ICP を促進します。
分析アプローチと学習された重みを組み合わせることで、全体的な位置推定エラーが軽減され、現実世界の自動運転データに基づいて実行されるレーダー/ライダー ICP 結果の収束が向上します。
私たちのコードベースは、再現性と拡張性を容易にするために公開されています。

要約(オリジナル)

This paper presents a novel deep-learning-based approach to improve localizing radar measurements against lidar maps. This radar-lidar localization leverages the benefits of both sensors; radar is resilient against adverse weather, while lidar produces high-quality maps in clear conditions. However, owing in part to the unique artefacts present in radar measurements, radar-lidar localization has struggled to achieve comparable performance to lidar-lidar systems, preventing it from being viable for autonomous driving. This work builds on ICP-based radar-lidar localization by including a learned preprocessing step that weights radar points based on high-level scan information. To train the weight-generating network, we present a novel, stand-alone, open-source differentiable ICP library. The learned weights facilitate ICP by filtering out harmful radar points related to artefacts, noise, and even vehicles on the road. Combining an analytical approach with a learned weight reduces overall localization errors and improves convergence in radar-lidar ICP results run on real-world autonomous driving data. Our code base is publicly available to facilitate reproducibility and extensions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google