4D Radar-Inertial Odometry based on Gaussian Modeling and Multi-Hypothesis Scan Matching

要約

4D ミリ波 (mmWave) レーダーは、悪天候条件 (雨、雪、霧など) に対する堅牢性を提供するセンサーであるため、オドメトリや SLAM アプリケーションでの使用が増えています。
ただし、返されたスキャン データのノイズが多く、まばらな性質は、既存の点群マッチング ベースのソリューション、特に本来 LiDAR などのより正確なセンサーを目的としたソリューションにとっては困難な障害であることが判明しています。
3D ガウス スプラッティングに関するビジュアル オドメトリ研究に触発され、この論文では、自由に配置された 3D ガウスを使用して、センサー ノイズに耐性のあるレーダー点群の要約表現を作成し、その後、その固有の確率分布関数を登録に活用することを提案します (NDT と同様)。
。
さらに、関数の局所最適に対するシステムのロバスト性をさらに高めるために、複数のスキャン マッチング仮説を同時に最適化することを提案します。
最後に、ガウス モデリングとスキャン マッチング アルゴリズムを、現在のベスト プラクティスに従って設計された EKF レーダー慣性オドメトリ システムに融合します。
実験の結果、ガウスベースのオドメトリは、評価に使用されるよく知られた 4D レーダー データセットの現在のベースラインを上回るパフォーマンスを発揮できることが示されています。

要約(オリジナル)

4D millimeter-wave (mmWave) radars are sensors that provide robustness against adverse weather conditions (rain, snow, fog, etc.), and as such they are increasingly being used for odometry and SLAM applications. However, the noisy and sparse nature of the returned scan data proves to be a challenging obstacle for existing point cloud matching based solutions, especially those originally intended for more accurate sensors such as LiDAR. Inspired by visual odometry research around 3D Gaussian Splatting, in this paper we propose using freely positioned 3D Gaussians to create a summarized representation of a radar point cloud tolerant to sensor noise, and subsequently leverage its inherent probability distribution function for registration (similar to NDT). Moreover, we propose simultaneously optimizing multiple scan matching hypotheses in order to further increase the robustness of the system against local optima of the function. Finally, we fuse our Gaussian modeling and scan matching algorithms into an EKF radar-inertial odometry system designed after current best practices. Experiments show that our Gaussian-based odometry is able to outperform current baselines on a well-known 4D radar dataset used for evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google