ORORA：抗离群值的毫米波雷达里程计

点云PCL博主

发布于 2023-08-21 06:39:07

3290

文章被收录于专栏：点云PCL点云PCL

文章：ORORA: Outlier-Robust Radar Odometry

作者：Hyungtae Lim, Kawon Han, Gunhee Shin

编辑：点云PCL

来源：IRCA'23

代码：https://github.com/url-kaist/outlier-robust-radar-odometry.git

欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。

公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunpcl@163.com。未经作者允许请勿转载，欢迎各位同学积极分享和交流。

摘要

毫米波雷达传感器正在成为在恶劣天气条件下感知周围环境和估计自我运动的解决方案，不幸的是，毫米波雷达测量结果存在噪声和相互干扰，这会降低特征提取和匹配的性能，引发不精确的匹配对，即所谓的异常值。为了解决毫米波雷达里程计中异常值的影响，提出了一种新的异常值鲁棒方法，称为ORORA，即异常值鲁棒毫米波雷达里程计。为此，提出了一种新的解耦方法，包括基于 graduated non-convexity (GNC) 的旋转估计和各向异性分量逐个估计（A-COTE）。此外，该方法利用毫米波雷达测量的各向异性特性，其中每个测量值沿方位方向的不确定性略大于沿径向方向的不确定性。通过公共数据集的验证，证明了我们提出的方法相对于其他最先进的方法具有鲁棒的自我运动估计性能。

图1. Outlier-RObust RAdar odometry (ORORA)在MulRan数据集中的KAIST03单圈上进行的毫米波雷达里程计结果，没有任何闭环。ORORA表现出了强大的性能，即使在估计的对应关系中包含了大量的离群值。红色和绿色线分别表示两个连续毫米波雷达图像上的离群值和内点特征对。请注意，毫米波雷达图像表示特征匹配错误失败示例，其中在估计的对应关系中只输出了4％的内点。

主要贡献

为了解决这些嘈杂的噪声问题，本文提出了一种名为ORORA(Outlier-RObust RAdar odometry)的鲁棒毫米波雷达里程计方法。据我们所知，这是在毫米波雷达领域首次介绍基于GNC的解耦方法。总之，本文的贡献有三个方面：

提出了一种新颖的基于解耦的鲁棒毫米波雷达里程计方法ORORA，其中包括基于GNC的旋转估计和各向异性分量估计(A-COTE)。
在流形空间中数学地建模了毫米波雷达测量的各向异性特征，每个特征在方位方向上的不确定性大于径向方向。
在实验中，即使给出不精确的特征对应关系，ORORA显示出比最先进的方法更有前途的性能。

主要内容

ORORA：去除异常值的毫米波雷达里程计

毫米波雷达里程计的流程，如图2(a)所示，ORORA主要由四个部分组成：a)多普勒畸变补偿，b)基于图的异常值修剪，c)基于GNC的旋转估计，d)A-COTE。

A. 毫米波雷达图像预处理和数据关联

首先，简要解释如何估计两个连续毫米波雷达图像之间的对应关系。最初，最广泛使用的360度FMCW毫米波雷达传感器输出一个毫米波雷达图像，其高度和宽度分别为Nh和Nw，每个高度和宽度上的轴都表示相对于传感器框架的径向和方位角方向。注意，径向方向的分辨率要比方位角方向的分辨率好得多，因此Nh ≤ Nw。接下来，毫米波雷达图像被作为特征提取的输入。然后，极坐标上像素（h; w）上提取的特征点被转换为笛卡尔坐标p。这里p表示笛卡尔坐标系中的二维特征点。因此，我们可以得到第(t-1)和t个特征点集，定义为P。接下来，估计P之间的对应关系集A，为此，采用ORB描述子，如图2(a)所示，在将每个点转换为笛卡尔图像后生成一个描述子。然后执行暴力匹配，随后进行比率测试，以最初过滤出明显的异常值，最终输出对应关系点对A。

图2。（a）我们提出的毫米波雷达里程计方法的总体流程，即使输入了包括众多异常值的假设对应关系（粉色箭头），我们的ORORA仍能稳健地估计相对旋转R ^和分量式的平移，即分别为x轴的1^t和y轴的2^t。（b）毫米波雷达特征点各向异性特征的视觉描述。样本（绿色点）表明沿方位方向的不确定性相对于沿径向方向的不确定性要大，蓝色椭圆表示我们提出的数学模型估计的协方差。

B. 毫米波雷达里程计问题的定义

给定这些假定对应关系，毫米波雷达里程计的目标是估计连续两个时间步之间，即t和t-1上传感器框架的相对姿态。然而，使用A中的所有对应关系可能会导致姿态估计不精确，因为由于一些噪声测量（例如产生由不同毫米波雷达波干扰产生的随机噪声的斑点噪声，多径反射或移动物体的影响）不可避免地存在错误匹配。因此，我们的最终目标可以总结为在最小化异常值的影响的同时估计相对姿态，如下所示：

C. 毫米波雷达数据的各向异性不确定性建模

在我们解释我们提出的方法之前，需要对每个点的不确定性进行建模以实现更适用于毫米波雷达的自我运动估计，与其方差沿轴的值相等的激光毫米波雷达测量不同，毫米波雷达测量具有各向异性特征。也就是说，每个点在方位角方向上的不确定性相对于径向方向要大，因此沿x轴和y轴的方差不再相等，这是由于毫米波雷达信号的波长比激光毫米波雷达传感器的激光信号长。为了对毫米波雷达特征点的不确定性进行建模，测量噪声被表示为沿着毫米波雷达信号发射的方向的径向不确定性和垂直于径向方向的方位不确定性的叠加。因此，不确定性呈香蕉形状（图2（b）中的绿色点）。

D. ORORA概述

在特征提取和匹配之后，通过使用先前步骤中估计的相对姿态，来补偿多普勒畸变，基于恒定速度的假设获得补偿后的多普勒测距，接下来，利用最大团内点选择（MCIS），一种基于图剪枝的异常值拒绝方法，来估计初始的异常值对O，然后，这些过滤后的对应关系，被用作解耦的旋转和平移估计的输入。值得注意的是，姿态估计过程与之前的工作[25]之间有两个主要差异，后者也使用MCIS，首先，作者假设 O中没有异常值，因此他们通过奇异值分解来估计相对姿态，相比之下，我们的方法在旋转和平移估计期间再次估计异常值，其次，在姿态估计过程中，该方法还考虑了毫米波雷达测量的各向异性特征。

实验

在我们的实验中，将我们的ORORA与其他基于特征的最先进方法进行了比较。为此，使用了三种类型的RANSAC：没有任何补偿的原始RANSAC，补偿了运动畸变的MC-RANSAC，以及补偿了运动和多普勒畸变的MCRANSAC + DPLR。为了公平比较，我们使用了官方开源实现。为了密切检查依赖于特征提取质量的自我运动估计性能，我们测试了两种特征提取方法，分别称为Cen2018和Cen2019。

A. 关于不确定性的性能变化

首先，分析了径向和方位不确定性对性能的影响，有趣的是，不同的环境表现出了不同的趋势，如图3所示。

图3. 随着每个特征点径向和方位不确定性大小的变化，翻译误差的变化情况。双箭头表示特征点在xy平面上的分布水平。

结果显示，在包含更多建筑物使特征点广泛分布在xy平面上的KAIST03数据集中，更大的方位不确定性可以显著提高性能。实验结果可以解释为，更大的方位不确定性有助于抑制潜在的错误，这些错误由传感器框架沿y轴侧面分布的特征点引起。也就是说，这些点在x轴方向上的不确定性可能更大，因为它们具有方位不确定性。相反，在Riverside03数据集中，更小的方位不确定性表现出更好的性能，这是因为特征点可能沿着x轴分布。因此，方位不确定性的影响较小。出于这个原因，在Riverside03中，我们的A-COTE表现出了与未采用各向异性建模的COTE [40]相当的性能，如表I所示。