EDENet: Echo Direction Encoding Network for Place Recognition Based on Ground Penetrating Radar

要約

地上浸透レーダー（GPR）ベースのローカリゼーションは、安定した地下機能を検出する能力により、ロボット工学の著しい認識を獲得し、カメラやライダーなどの従来のセンサーが苦労する可能性のある環境で利点を提供します。
ただし、既存の方法は主に小規模な場所認識（PR）に焦点を当てており、大規模な地図のPRの課題を非対立しています。
これらの課題には、地下の特徴の固有のスパース性と、堅牢な局在を複雑にする地下誘電率の変動が含まれます。
この作業では、GPRエコーシーケンスと地下シーンの幾何学的関係を調査し、方向性の機能の堅牢性を活用してネットワーク設計を通知します。
方向応答を正確に抽出するための学習可能なGABORフィルターを導入し、効果的な幾何学的エンコードのための方向性認識メカニズムと組み合わせます。
パフォーマンスをさらに向上させるために、シフト不変ユニットとマルチスケールの集約戦略を組み込んで、DI電気定数のバリエーションをより適切に調整します。
パブリックデータセットで実施された実験は、提案されたEdenetがPRパフォーマンスの観点から既存のソリューションを上回るだけでなく、モデルサイズと計算効率の利点も提供することを示しています。

要約(オリジナル)

Ground penetrating radar (GPR) based localization has gained significant recognition in robotics due to its ability to detect stable subsurface features, offering advantages in environments where traditional sensors like cameras and LiDAR may struggle. However, existing methods are primarily focused on small-scale place recognition (PR), leaving the challenges of PR in large-scale maps unaddressed. These challenges include the inherent sparsity of underground features and the variability in underground dielectric constants, which complicate robust localization. In this work, we investigate the geometric relationship between GPR echo sequences and underground scenes, leveraging the robustness of directional features to inform our network design. We introduce learnable Gabor filters for the precise extraction of directional responses, coupled with a direction-aware attention mechanism for effective geometric encoding. To further enhance performance, we incorporate a shift-invariant unit and a multi-scale aggregation strategy to better accommodate variations in di-electric constants. Experiments conducted on public datasets demonstrate that our proposed EDENet not only surpasses existing solutions in terms of PR performance but also offers advantages in model size and computational efficiency.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google