无线感知论文阅读笔记 | TRS 2023, DeepEgo: Deep Instantaneous Ego-Motion Estimation Using Automotive Radar

原文链接：https://mp.weixin.qq.com/s?__biz=Mzg4MjgxMjgyMg==&mid=2247486296&idx=1&sn=593f29ee45f66782e90b247b635696d1&chksm=cf51b9a1f82630b7c6ac427f98bb03c18015b6b1865fec22a8c2465768c6fdf463a5c81ef305#rd

TRS 2023 | DeepEgo: Deep Instantaneous Ego-Motion Estimation Using Automotive Radar

无线感知论文阅读笔记 | TRS 2023, DeepEgo: Deep Instantaneous Ego-Motion Estimation Using Automotive Radar

Abstract

• 目标

  • Study ego-motion estimation with mm-wave radar

• Propose DeepEgo for robust and accurate estimation

  • 使用神经网络从点云中提取特征
  • 应用加权最小二乘进行运动估计
  • 新的损失函数：提出多普勒损失定位内点

• Experiments

  • Test on real-world automotive radar dataset
  • Show improvements in accuracy, stability and runtime

1 Introduction

• 背景

  • 高级驾驶系统(ADS)需要实时的自我运动估计

  • 传统方法（如IMU、车轮编码器和GPS）存在诸多问题 $\Rightarrow$ 采用其他传感器技术（如摄像头、激光雷达、合成孔径声纳、扫描雷达或汽车雷达）进行自我运动估计

  • 汽车雷达具有一定优势

    ✅ 如适应各种天气和照明条件、对线视遮挡的敏感性较低、轻量化、低成本和紧凑

    ❌ 尽管汽车雷达具有潜在优势，但仍存在挑战，如较少的几何特征、假正例、漏检、雷达截面波动、多路径反射和互干扰等。

• 本文：DeepEgo

  • 基于神经网络的端到端自我运动估计解决方案，避免了具有挑战性的数据关联任务

  • 提出了一种混合方法：

    🚩 神经网络学习如何加权雷达点云中的每个点

    🚩 加权最小二乘法(WLS)用于计算最终的估计结果

  • 提出了一种新颖的损失函数: 多普勒损失

    🚩 多普勒损失可以帮助网络自动定位雷达点云中的“内点”,而无需手动标注 $\Rightarrow$ important to WLS

  • 实验

    🚩 使用具有挑战性的真实汽车雷达数据集RadarScenes, 与6个baselines比较

    🚩 Improves accuracy by over 50%

• 章节安排

  • section 2: related work
  • section 3: design details of the proposed method
  • section 4: performance of the proposed method
  • section 5: ablation study
  • section 6: conclusions and future studies

2 RELATED WORKS

1. 使用汽车雷达进行自我运动估计

   • ICP and NDT are early iterative matching methods, but have limitations
   • Kellner et al. propose single-frame estimation method based on radial velocity profile
   • But Kellner method has difficulty in parameter tuning and cannot fully utilize other radar information

2. 点云深度学习

   • Image projection methods destroy point cloud structure
   • Voxel-based methods have high computational and memory costs
   • Point-based methods like PointNet can directly process high-dim sparse radar point clouds
   • This paper:

   ✅ believe point-based methods are more suitable for preserving precise geometry, processing automotive radar data

3 METHODOLOGY

A. Problem Statement

• 本文考虑多维雷达点云$P_{t,n}^{J\times M}$

  • $t$ 雷达扫描的时间戳
  • $n$ 雷达索引
  • $J$ 检测到的点的数量
  • $M$ 点云中每个点的特征数量

• 车辆运动状态：$e_c=[v_x^c,v_y^c,{\omega }^c]$

  • 2D坐标系的原点位于车辆质心处,x轴方向与车辆的距离方向运动一致,y轴方向与车辆的横向运动一致

  • $v_x^c$ 距离方向速度
  • $v_y^c$ 横向速度
  • ${\omega }^c$ 旋转速度
  • $c$ 测试车辆

• 汽车雷达

  • $n$个
  • 安装位置 $[x_n^c,y_n^c,{\theta }_n^c]$
  • 其中$x_n^c$ 到x轴距离
  • $y_n^c$ 到y轴的距离
  • ${\theta }_n^c$ 相对于车辆x轴的安装角度

雷达测量的是它自身与检测对象之间的相对运动 $\Rightarrow$ 可将车辆坐标系中的自我运动转换到雷达坐标系

• 坐标转换

  • 对于雷达坐标系,通常假设x轴方向与雷达的视线方向一致

  • 雷达$n$的2D运动状态：$e_n=[v_x^n,v_y^n,{\omega }^n]$

    ✅ $v_x^n$ 距离方向速度

    ✅ $v_y^n$ 横向速度

    ✅ ${\omega }^n$ 旋转速度

  • ${\omega }_n={\omega }_c$: 刚体上的所有点经历相同的角速度

  • 因此， 运动状态$e_c$和$e_n$