Ground-Optimized 4D Radar-Inertial Odometry via Continuous Velocity Integration using Gaussian Process

要約

レーダーは、有害な気象条件で堅牢なセンシング能力を保証しますが、その固有の騒音レベルが高いため、課題は残ります。
既存のレーダー匂いは、スプリアスポイントのフィルタリング、ドップラー速度の悪用、または慣性測定との統合などの戦略でこれらの課題を克服しました。
このペーパーでは、既存のレーダー介入臭気を超えた2つの新しい改善点を紹介します。地上最適化ノイズフィルタリングと連続速度の統合です。
Lidar odmetryでの地上飛行機が広く使用されているにもかかわらず、レーダー測定の不正確なグラウンドポイント分布は、素朴な平面フィッティングを失敗させます。
LIDARでの平面フィッティングとは異なり、レーダー向けに設計されたゾーンベースの不確実性認識地面モデリングを導入します。
第二に、レーダー速度の測定は、レーダー介入臭気のより正確な前統合のために、IMUとよりよく組み合わせることができることに注意してください。
既存の方法は、離散伝播モデルを使用して非同期データストリームの複雑さを簡素化することにより、レーダーとIMUの間の時間的矛盾を無視することがよくあります。
この問題に取り組むと、GPを活用して、3-DOF線形速度をIMUにしっかりと統合するための連続前積分法を策定し、生の測定から直接完全な6-DOFモーションを促進します。
私たちのアプローチは、綿密な条件を持つ公共データセットの顕著なパフォーマンス（1％未満の垂直ドリフト）を示しており、標高の精度の大幅な改善を示しています。
このコードは、コミュニティのオープンソースとしてリリースされます：https：//github.com/wooseongy/go-rio。

要約(オリジナル)

Radar ensures robust sensing capabilities in adverse weather conditions, yet challenges remain due to its high inherent noise level. Existing radar odometry has overcome these challenges with strategies such as filtering spurious points, exploiting Doppler velocity, or integrating with inertial measurements. This paper presents two novel improvements beyond the existing radar-inertial odometry: ground-optimized noise filtering and continuous velocity preintegration. Despite the widespread use of ground planes in LiDAR odometry, imprecise ground point distributions of radar measurements cause naive plane fitting to fail. Unlike plane fitting in LiDAR, we introduce a zone-based uncertainty-aware ground modeling specifically designed for radar. Secondly, we note that radar velocity measurements can be better combined with IMU for a more accurate preintegration in radar-inertial odometry. Existing methods often ignore temporal discrepancies between radar and IMU by simplifying the complexities of asynchronous data streams with discretized propagation models. Tackling this issue, we leverage GP and formulate a continuous preintegration method for tightly integrating 3-DOF linear velocity with IMU, facilitating full 6-DOF motion directly from the raw measurements. Our approach demonstrates remarkable performance (less than 1% vertical drift) in public datasets with meticulous conditions, illustrating substantial improvement in elevation accuracy. The code will be released as open source for the community: https://github.com/wooseongY/Go-RIO.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google