SHeRLoc: Synchronized Heterogeneous Radar Place Recognition for Cross-Modal Localization

要約

ロボット工学におけるレーダーの採用が拡大しているにもかかわらず、研究の大部分は均一なセンサータイプに限定されており、不均一なレーダー技術に固有の統合とモダリティの課題を見落としています。
これは、多様なレーダーデータ型全体で一般化する際の大きな困難につながり、不均一なレーダーの補完的な強さを未開拓のままにすることができるモダリティを意識したアプローチを備えています。
これらのギャップを橋渡しするために、RCS Polarマッチングを使用してマルチモーダルレーダーデータを整列させる不均一レーダーに合わせた最初のディープネットワークであるSherlocを提案します。
当社の階層的な最適な輸送ベースの特徴集約方法は、回転する堅牢なマルチスケール記述子を生成します。
FFT類似性ベースのデータマイニングと適応型マージンベースのトリプレット損失を採用することにより、SherlocはFov-Awareメトリック学習を可能にします。
Sherlocは、不均一なレーダー場所の認識で数桁の改善を達成し、パブリックデータセットで0.1から0.9未満にRecall@1を増加させ、アートオブザアートメソッドを上回ります。
Lidarにも適用されるSherlocは、モーダルの場所の認識と不均一なセンサースラムへの道を開きます。
ソースコードは、受け入れられると利用可能になります。

要約(オリジナル)

Despite the growing adoption of radar in robotics, the majority of research has been confined to homogeneous sensor types, overlooking the integration and cross-modality challenges inherent in heterogeneous radar technologies. This leads to significant difficulties in generalizing across diverse radar data types, with modality-aware approaches that could leverage the complementary strengths of heterogeneous radar remaining unexplored. To bridge these gaps, we propose SHeRLoc, the first deep network tailored for heterogeneous radar, which utilizes RCS polar matching to align multimodal radar data. Our hierarchical optimal transport-based feature aggregation method generates rotationally robust multi-scale descriptors. By employing FFT-similarity-based data mining and adaptive margin-based triplet loss, SHeRLoc enables FOV-aware metric learning. SHeRLoc achieves an order of magnitude improvement in heterogeneous radar place recognition, increasing recall@1 from below 0.1 to 0.9 on a public dataset and outperforming state of-the-art methods. Also applicable to LiDAR, SHeRLoc paves the way for cross-modal place recognition and heterogeneous sensor SLAM. The source code will be available upon acceptance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google