ReFeree: Radar-Based Lightweight and Robust Localization using Feature and Free space

要約

場所認識は、堅牢な長期の自律性を達成する上で重要な役割を果たします。
現実世界のロボットは、幅広い気象条件（曇り、大雨、雪の雪）に直面しており、ほとんどのセンサー（つまり、カメラ、ライダー）は、目に見える電磁波内またはほぼ魅力的な電磁波の内部またはほぼ有機波波に敏感であり、信頼性の高い局所化に敏感です。
対照的に、レーダーは長い電磁波のために牽引力を獲得していますが、これは環境の変化や天候の独立性の影響を受けません。
この作業では、レーダーベースの軽量で堅牢な場所認識を提案します。
一次宇宙と特徴の間で反対のノイズ特性を利用する誤検出の影響を軽減することにより、1次元のリング形の説明と堅牢性を選択することにより、回転不変性と軽量を実現します。
さらに、最初の見出しを推定することができます。これは、船尾コンピューティングを考慮に入れる臭気と登録を組み合わせたスラムパイプラインの構築に役立ちます。
提案された方法は、さまざまなシナリオ（つまり、単一のセッション、マルチセッション、さまざまな気象条件）にわたる厳密な検証のためにテストされました。
特に、ORDデータセットなどの構造情報がない極端な環境の結果を通じて、信頼できる場所認識パフォーマンスを達成する記述子を検証します。

要約(オリジナル)

Place recognition plays an important role in achieving robust long-term autonomy. Real-world robots face a wide range of weather conditions (e.g. overcast, heavy rain, and snowing) and most sensors (i.e. camera, LiDAR) essentially functioning within or near-visible electromagnetic waves are sensitive to adverse weather conditions, making reliable localization difficult. In contrast, radar is gaining traction due to long electromagnetic waves, which are less affected by environmental changes and weather independence. In this work, we propose a radar-based lightweight and robust place recognition. We achieve rotational invariance and lightweight by selecting a one-dimensional ring-shaped description and robustness by mitigating the impact of false detection utilizing opposite noise characteristics between free space and feature. In addition, the initial heading can be estimated, which can assist in building a SLAM pipeline that combines odometry and registration, which takes into account onboard computing. The proposed method was tested for rigorous validation across various scenarios (i.e. single session, multi-session, and different weather conditions). In particular, we validate our descriptor achieving reliable place recognition performance through the results of extreme environments that lacked structural information such as an OORD dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google