4D Radar-Inertial Odometry based on Gaussian Modeling and Multi-Hypothesis Scan Matching

要約

4dミリ波（mmwave）レーダーは、有害な気象条件（雨、雪、霧など）に対して堅牢性を提供するセンサーであり、そのため、臭気とスラムのアプリケーションにますます使用されています。
ただし、返されたスキャンデータのノイズが多く、まばらな性質は、既存のポイントクラウドマッチングベースのソリューション、特に元々Lidarなどのより正確なセンサーを対象としたソリューションの困難な障害であることがわかります。
3Dガウスのスプラッティングに関する視覚的な臭気研究に触発されたこのペーパーでは、自由に配置された3Dガウス症を使用して、センサーノイズに耐性のあるレーダーポイントクラウドの要約表現を作成し、その後、登録に固有の確率分布関数を活用します（NDTと同様）。
さらに、関数のローカルオプティマに対するシステムの堅牢性をさらに高めるために、複数のスキャンマッチング仮説を同時に最適化することを提案します。
最後に、ガウスモデリングを融合し、一致するアルゴリズムをスキャンして、現在のベストプラクティスの後に設計されたEKFレーダー介入臭気システムになります。
公開されている4Dレーダーデータセットを使用した実験は、ガウスベースの臭気測定が既存の登録アルゴリズムに匹敵し、いくつかのシーケンスでそれらを上回ることを示しています。

要約(オリジナル)

4D millimeter-wave (mmWave) radars are sensors that provide robustness against adverse weather conditions (rain, snow, fog, etc.), and as such they are increasingly being used for odometry and SLAM applications. However, the noisy and sparse nature of the returned scan data proves to be a challenging obstacle for existing point cloud matching based solutions, especially those originally intended for more accurate sensors such as LiDAR. Inspired by visual odometry research around 3D Gaussian Splatting, in this paper we propose using freely positioned 3D Gaussians to create a summarized representation of a radar point cloud tolerant to sensor noise, and subsequently leverage its inherent probability distribution function for registration (similar to NDT). Moreover, we propose simultaneously optimizing multiple scan matching hypotheses in order to further increase the robustness of the system against local optima of the function. Finally, we fuse our Gaussian modeling and scan matching algorithms into an EKF radar-inertial odometry system designed after current best practices. Experiments using publicly available 4D radar datasets show that our Gaussian-based odometry is comparable to existing registration algorithms, outperforming them in several sequences.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google