CREVE: An Acceleration-based Constraint Approach for Robust Radar Ego-Velocity Estimation

要約

ミリメートル波周波数変調連続波（MMWave FMCW）レーダーの点雲測定からのエゴ速度推定は、レーダー介入臭ト体（RIO）システムの重要な成分になりました。
従来のアプローチは、ポイントクラウドの外れ値の数が入口の数を超えると、パフォーマンスが低下することがよくあり、特にデッドレコーのレーダーエゴ速度に依存するリオシステムでは、ナビゲーションパフォーマンスの低下につながる可能性があります。
この論文では、慣性測定ユニット（IMU）から追加の測定値を活用して堅牢なエゴ速度の推定を実現する加速ベースの不平等制約フィルターであるCreveを提案します。
センサーエラーに対する精度と堅牢性をさらに高めるために、実用的な加速度計バイアス推定方法と、レーダーポイントクラウドインラに基づいて制約を動的に調整するパラメーター適応ルールを導入します。
2つのオープンソースIRSおよびコロラダーデータセットの実験結果は、提案された方法が3つの最先端のアプローチを大幅に上回り、それぞれ約36 \％、78 \％、および12 \％減少することを示しています。

要約(オリジナル)

Ego-velocity estimation from point cloud measurements of a millimeter-wave frequency-modulated continuous wave (mmWave FMCW) radar has become a crucial component of radar-inertial odometry (RIO) systems. Conventional approaches often exhibit poor performance when the number of outliers in the point cloud exceeds that of inliers, which can lead to degraded navigation performance, especially in RIO systems that rely on radar ego-velocity for dead reckoning. In this paper, we propose CREVE, an acceleration-based inequality constraints filter that leverages additional measurements from an inertial measurement unit (IMU) to achieve robust ego-velocity estimations. To further enhance accuracy and robustness against sensor errors, we introduce a practical accelerometer bias estimation method and a parameter adaptation rule that dynamically adjusts constraints based on radar point cloud inliers. Experimental results on two open-source IRS and ColoRadar datasets demonstrate that the proposed method significantly outperforms three state-of-the-art approaches, reducing absolute trajectory error by approximately 36\%, 78\%, and 12\%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google