0. 筆者個(gè)人體會(huì)

相對(duì)視覺(jué)和LiDAR SLAM來(lái)說(shuō)，基于Radar的SLAM較為小眾。但視覺(jué)SLAM對(duì)光照和低紋理區(qū)域敏感，在室內(nèi)使用還有隱私問(wèn)題。LIDAR SLAM在長(zhǎng)走廊、霧煙塵等退化環(huán)境效果不好。所以在一些專用領(lǐng)域，Radar SLAM還是有不可替代的價(jià)值。

今天筆者將為大家分享伊利諾伊大學(xué)和北京大學(xué)聯(lián)合提出的最新工作Radarize，是一種基于小型低成本Radar的SLAM算法。Radarize利用FMCW雷達(dá)信號(hào)的特性，甚至超越了Radar+IMU的SLAM算法。

1. 這篇文章希望解決什么問(wèn)題？

現(xiàn)有的Radar SLAM主要有如下幾個(gè)問(wèn)題：

（1）、在走廊等低紋理場(chǎng)景，由于缺乏明顯的幾何特征，導(dǎo)致當(dāng)前幀可能和距離很遠(yuǎn)的幀發(fā)生誤匹配（a）；

（2）、IMU在恒速模式下會(huì)產(chǎn)生較大噪聲，且IMU和Radar的外參標(biāo)定、時(shí)間同步很難操作；

（3）、無(wú)線電信號(hào)反射會(huì)在Radar地圖中產(chǎn)生偽影（b）；

（4）、3D地圖投影到2D時(shí)，受到單片毫米波雷達(dá)的方位波束影響，地板和天花板反射會(huì)產(chǎn)生偽影（c）。

2. 具體原理是什么？

來(lái)看一下Radarize的具體pipeline，輸入是Radar幀，輸出是機(jī)器人軌跡和全局地圖。Radarize主要利用FMCW雷達(dá)信號(hào)的特性，由三部分組成。

首先，預(yù)處理模塊將雷達(dá)I / Q幀轉(zhuǎn)換為熱力圖，跟蹤模塊分別從多普勒-方位熱圖和距離-方位熱圖中識(shí)別出平移和旋轉(zhuǎn)，建圖模塊首先抑制垂直反射(例如地板和天花板)，然后使用輕量級(jí)分割模型(UNet )對(duì)距離-方位熱圖中的反射體進(jìn)行分割。分割模型之后是執(zhí)行多徑抑制的去回波過(guò)程，最后將建圖和跟蹤模塊的輸出輸入到SLAM后端，優(yōu)化后輸出實(shí)時(shí)全局地圖和軌跡估計(jì)。

再來(lái)看一下如何從合成的多普勒-方位熱圖估計(jì)二維平移運(yùn)動(dòng)，其中前視雷達(dá)將環(huán)境中的反射體投射到水平面(藍(lán)色)上并測(cè)量其速度（a）。后面三列分別是向前運(yùn)動(dòng)時(shí)的多普勒-方位熱圖（b）、右移時(shí)的多普勒-方位熱力圖（c）、(向前+右)對(duì)角線移動(dòng)時(shí)多普勒-方位熱力圖（d）。

因?yàn)樵谛D(zhuǎn)運(yùn)動(dòng)過(guò)程中，反射體相對(duì)于雷達(dá)的徑向速度為零，所以基于多普勒的估計(jì)很難解算旋轉(zhuǎn)運(yùn)動(dòng)。因此旋轉(zhuǎn)估計(jì)是使用距離-方位圖來(lái)預(yù)測(cè)的，雷達(dá)從t1到t2有一個(gè)向右的旋轉(zhuǎn)，會(huì)導(dǎo)致t2的熱力圖左移。

3. 再來(lái)看看和同類方法的對(duì)比

簡(jiǎn)單介紹一下對(duì)比的同類算法：MilliEgo是一種基于稀疏點(diǎn)云的Radar-IMU里程計(jì)，利用交叉注意力機(jī)制將里程計(jì)估計(jì)值與輔助的IMU數(shù)據(jù)進(jìn)行融合。RNIN是一種將IMU讀數(shù)回歸到里程計(jì)估計(jì)值的神經(jīng)-慣性導(dǎo)航模型。

可以發(fā)現(xiàn)Radarize在不使用IMU的情況下，精度和泛化性都超越了多傳感器方案，OOD是Out-of-Distribution的縮寫，表示不同的運(yùn)動(dòng)分布。

軌跡精度的定性對(duì)比，可以發(fā)現(xiàn)Radarize的軌跡距離真值最近。

對(duì)更多實(shí)驗(yàn)結(jié)果和文章細(xì)節(jié)感興趣的讀者，可以閱讀一下論文原文~

4. 論文信息

標(biāo)題：Radarize: Large-Scale Radar SLAM for Indoor Environments

作者：Emerson Sie, Xinyu Wu, Heyu Guo, Deepak Vasisht

機(jī)構(gòu)：伊利諾伊大學(xué)、北京大學(xué)

審核編輯：黃飛

?