RINO: Accurate, Robust Radar-Inertial Odometry with Non-Iterative Estimation

要約

自動運転車で自律ナビゲーションを実現するには、正確な位置特定とマッピングが重要です。
ただし、特に GNSS 障害が発生した場合や極端な気象条件 (霧、雨、雪など) の下では、エゴモーション推定は依然として大きな課題に直面しています。
近年、スキャニングレーダーはその強力な透過能力により効果的なソリューションとして浮上しています。
それにもかかわらず、スキャン レーダー データには本質的に高レベルのノイズが含まれており、ノイズの多いデータから信頼性の高い変換を推定するには、数百から数千回の最適化の繰り返しが必要です。
このような反復的な解決は時間がかかり、不安定で、失敗しやすくなります。
これらの課題に対処するために、非反復的な解決アプローチを採用した、正確で堅牢なレーダー慣性走行距離測定システム RINO を提案します。
私たちの方法では、回転と平行移動の推定を分離し、2D 回転推定に適応投票スキームを適用して、一貫した解決時間を確保しながら効率を高めます。
さらに、このアプローチでは、エラー状態カルマン フィルター (ESKF) を利用して、スキャニング レーダーと慣性測定ユニット (IMU) の間に疎結合システムが実装されています。
特に、スキャニング レーダーからの姿勢推定の不確実性を推定することに成功し、これをフィルターの最大事後推定 (これまで見落とされていた考慮事項) に組み込みました。
公開されているデータセットでの検証では、RINO が精度と堅牢性の両方において最先端の手法やベースラインよりも優れていることが実証されています。
私たちのコードは https://github.com/yangsc4063/rino で入手できます。

要約(オリジナル)

Precise localization and mapping are critical for achieving autonomous navigation in self-driving vehicles. However, ego-motion estimation still faces significant challenges, particularly when GNSS failures occur or under extreme weather conditions (e.g., fog, rain, and snow). In recent years, scanning radar has emerged as an effective solution due to its strong penetration capabilities. Nevertheless, scanning radar data inherently contains high levels of noise, necessitating hundreds to thousands of iterations of optimization to estimate a reliable transformation from the noisy data. Such iterative solving is time-consuming, unstable, and prone to failure. To address these challenges, we propose an accurate and robust Radar-Inertial Odometry system, RINO, which employs a non-iterative solving approach. Our method decouples rotation and translation estimation and applies an adaptive voting scheme for 2D rotation estimation, enhancing efficiency while ensuring consistent solving time. Additionally, the approach implements a loosely coupled system between the scanning radar and an inertial measurement unit (IMU), leveraging Error-State Kalman Filtering (ESKF). Notably, we successfully estimated the uncertainty of the pose estimation from the scanning radar, incorporating this into the filter’s Maximum A Posteriori estimation, a consideration that has been previously overlooked. Validation on publicly available datasets demonstrates that RINO outperforms state-of-the-art methods and baselines in both accuracy and robustness. Our code is available at https://github.com/yangsc4063/rino.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google