RINO: Accurate, Robust Radar-Inertial Odometry with Non-Iterative Estimation

要約

霧、雨、雪などの有害な気象条件の臭気測定は、伝統的な視覚とライダーベースの方法がパフォーマンスの低下に苦しむことが多いため、大きな課題を提示します。
そのような環境での回復力のため、レーダー介入臭気（RIO）は有望な解決策として浮上しています。
この論文では、適応的にゆるく結合された方法で実装された非適格リオフレームワークであるRinoを提示します。
Radar臭気のベースラインとしてOroraに基づいて、Rinoは、キーポイント抽出の改善、運動歪み補償、適応型投票メカニズムを介した推定をもたらすいくつかの重要な進歩を導入します。
この投票戦略は、効率的な多項式時間最適化を促進し、同時にレーダーモジュールのポーズ推定の不確実性を定量化します。
その後、推定不確実性は、カルマンフィルターフレームワーク内で最大A事後（MAP）推定に統合されます。
以前のゆるい結合臭トシステムとは異なり、RINOはレーダーコンポーネントのグローバルで堅牢な登録機能を保持するだけでなく、融合中の各センサーのリアルタイムの動作状態を動的に説明します。
公開されているデータセットで実施された実験結果は、RINOがベースライン法と比較した場合、それぞれ1.06％と0.09 {\ deg}/100m減少し、それぞれ0.09 {\ deg}/100mを減らすことを示しているため、その精度が大幅に向上することが示されています。
さらに、RINOは最先端の方法に匹敵するパフォーマンスを実現します。

要約(オリジナル)

Odometry in adverse weather conditions, such as fog, rain, and snow, presents significant challenges, as traditional vision and LiDAR-based methods often suffer from degraded performance. Radar-Inertial Odometry (RIO) has emerged as a promising solution due to its resilience in such environments. In this paper, we present RINO, a non-iterative RIO framework implemented in an adaptively loosely coupled manner. Building upon ORORA as the baseline for radar odometry, RINO introduces several key advancements, including improvements in keypoint extraction, motion distortion compensation, and pose estimation via an adaptive voting mechanism. This voting strategy facilitates efficient polynomial-time optimization while simultaneously quantifying the uncertainty in the radar module’s pose estimation. The estimated uncertainty is subsequently integrated into the maximum a posteriori (MAP) estimation within a Kalman filter framework. Unlike prior loosely coupled odometry systems, RINO not only retains the global and robust registration capabilities of the radar component but also dynamically accounts for the real-time operational state of each sensor during fusion. Experimental results conducted on publicly available datasets demonstrate that RINO reduces translation and rotation errors by 1.06% and 0.09{\deg}/100m, respectively, when compared to the baseline method, thus significantly enhancing its accuracy. Furthermore, RINO achieves performance comparable to state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google