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
-
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
-
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 × M P^{J×M}_{t,n} Pt,nJ×M
- t t t 雷达扫描的时间戳
- n n n 雷达索引
- J J J 检测到的点的数量
- M M 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 , ω c ] e_c = [v^c_x, v^c_y, \omega^c] ec=[vxc,vyc,ωc]
-
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 v^c_x vxc 距离方向速度
- v y c v^c_y vyc 横向速度
- ω c \omega^c ωc 旋转速度
- c c c 测试车辆
-
-
汽车雷达
- n n n个
- 安装位置 [ x n c , y n c , θ n c ] [x^c_n, y^c_n, \theta^c_n] [xnc,ync,θnc]
- 其中 x n c x^c_n xnc 到x轴距离
- y n c y^c_n ync 到y轴的距离
- θ n c \theta^c_n θnc 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 n n的2D运动状态: e n = [ v x n , v y n , ω n ] e_n = [v^n_x, v^n_y, \omega^n] en=[vxn,vyn,ωn]
✅ v x n v^n_x vxn 距离方向速度
✅ v y n v^n_y vyn 横向速度
✅ ω n \omega^n ωn 旋转速度
-
ω n = ω c \omega_n = \omega_c ωn=ωc: 刚体上的所有点经历相同的角速度
-
因此, 运动状态 e c e_c ec和 e n e_n en
-