论文速览 | MobiSys 2024 | Radarize: Enhancing Radar SLAM with Generalizable Doppler-Based Odometry | Rad

摘要概览

Homepage: https://radarize.github.io/

作为一种核心技术，
雷达SLAM
在机器人领域引起了广泛关注。
传统视觉传感器（包括相机与激光雷达）
在环境感知与运动感知方面存在一些固有的不足：
例如，
在光照不足的情况下运行效率较低，
当目标被遮挡时性能会有所下降，
此外还可能带来隐私方面的风险。
相比之下，
毫米波（mmWave）雷达凭借其在复杂环境下表现出色，
已成为应对这些挑战的一种有力技术解决方案。

1 引言

SLAM（Simultaneous Localization and Mapping, 即同时定位与地图构建）是许多现代机器人技术的基础支撑。通过SLAM技术, 机器人能够在构建环境地图的同时实现自身位置的实时确定。传统的SLAM方法主要依赖于光学传感器（如摄像头和激光雷达）进行数据采集, 但在光线不足、存在遮挡物以及隐私保护等场景下表现出明显局限性。毫米波雷达作为一种替代方案, 克服了这些传统传感器在复杂环境中的不足, 能够在低光照条件和复杂遮挡下稳定运行。Radarize团队提出了一种创新性的SLAM解决方案, 主要通过多普勒频移原理进行里程测量, 并采取有效措施抑制多路径伪影干扰, 进一步提升了系统的性能和可靠性

2 动机

目前毫米波雷达SLAM技术面临着三个主要挑战：

退化扫描匹配：传统 scan matching技术 在平坦区域面临局限性。

惯性传感器的不足：该种传感器在匀速运动场景下效果欠佳，并且校正过程较为繁琐。

多路径伪影：多径反射导致雷达系统产生虚假探测结果。

Radarize采用了多普勒频移技术和智能伪影抑制技术，并致力于应对这些难题。

3 方法

3.1 系统概述

Radarize包括三个主要模块：

1. 该系统中的数据预处理模块实现了雷达I/Q数据到热图的转换。
2. 该系统中的跟踪模块利用Doppler-angle和range-angle对目标的平移与旋转运动进行估计。
3. 该系统中的环境映射模块借助智能伪影抑制技术完成了本地环境地图的生成。

3.2 平移估计

通过多普勒频移技术来进行运动估计。假设雷达沿着某个方向以速度v移动，在其所在方向上的反射器将呈现相对于该方向的角度θ以及径向分量的速度值v cos(θ+φ)，从而产生对应的多普勒偏移f=...（其中c代表光速）。Radarize借助多普勒-方位热图捕捉这种独特特征从而推断出移动速度v以及运动方向θ。

f = \frac{v \cos(\theta + \phi)}{c}

3.3 旋转估计

该方法通过范围-方位热图进行旋转估计。当仅涉及纯旋转时，在范围-方位热图中会观察到反射器以一致的线性变换模式发生移动。研究团队开发了一个视觉模型，在连续比较不同范围-方位热图的过程中实现了雷达旋转角度的精确估计。

3.4 生成本地地图

本地地图制作过程中需要克服二维至三维空间映射误差以及信号多径干扰的问题。Radarize系统通过天线阵列预处理技术来消除高低向反射波的影响，并结合智能伪影抑制算法，在每个接收方向上只采集首次到达的反射信号。

4 实验和结果

本节将对Radarize 的实验方案、数据样本、评估标准以及不同场景下的表现进行深入探讨。通过这些细致的研究和分析, 我们可以全面掌握Radarize在实际应用中的优势.

4.1 数据集和设置

在经过详细分析后发现，在一个包含146条轨迹的大规模数据集中,Radarize方法表现突出。该集合中的轨迹分布于四栋不同的建筑中（A区至D区），涵盖三种主要移动方式：手持设备、手推车以及机器人。这些移动模式共计覆盖约4.7公里的实际行驶距离。通过对该集合进行多样化的测试场景验证后发现

从评价指标来看，在本研究中主要采用了绝对轨迹误差（ATE）和相对误差（RE），用于评估里程计和SLAM系统的准确性。

4.2 里程计性能

就里程计性能评估而言，Radarize显著优于基于惯性传感器的传统方法。具体而言，在ATE和RE两个指标上，Radarize均实现了显著提升。下表总结了不同方法的对比结果：

借助图11进行比较可以看出,Radarize 方法能够精确重构长直线轨迹的形态与尺寸特征,而基于IMU的方法在尺度精度方面则存在明显不足

4.3 SLAM性能

在对SLAM性能进行评估时，我们采用了多组不同的里程计与扫描数据，并将其导入Cartographer SLAM后端进行分析以获得全局地图及运动轨迹。以下表格详细描述了各评估方法在SLAM技术中的具体表现。

如图14所示，在本研究中采用Radarize方法基于减少伪影和多路径效应生成了高质量的本地地图，并表现出显著的优势于对比方法RadarHD。实验结果表明，在超过50米的长距离回环闭合场景中，该系统实现了精准的地图重建。

4.4 泛化能力

为评估Radarize算法在不同建筑环境下的泛化能力,我们采用了多个建筑结构作为训练与测试对象.实验结果具体数据见下表.

虽然在性能上有所下降，但整体而言Radarize 在不同环境下仍能保持稳定的性能状态，并展现出较强的环境适应能力。

4.5 计算需求

我们对Radarize在不同硬件平台下的计算性能进行了评估，并部署了该算法在两台不同类型的设备上进行测试：一台基于Intel桌面处理器的个人电脑以及一台基于Orin架构的嵌入式开发板Jetson AGX Orin。实验结果表明，在Intel桌面平台上的平均处理时间为17.06ms（约59Hz），而在嵌入式平台上的平均处理时间则为31.22ms（约32Hz），这充分验证了该算法在实时数据处理方面的适用性

5 不足和未来展望

尽管Radarize 在多个方面表现出色，但仍有一些不足之处需要改进：

1. 范围限制：当前系统设定的最大覆盖距离为4.284米，在未来有可能优化设置以扩大其适用范围。
2. 速度限制：数据集所记录的最高运行速率限定在1.6米/秒，在未来可考虑优化相关参数设置以支持更快的速度。
3. 动态物体：当前系统在模拟动态环境下的表现尚未经过验证，在未来研究团队将探索应对措施以有效处理此类影响。

6 总结

Radarize 是一种先进的FMCW雷达SLAM系统（见公式...），其核心技术包括多普勒频移（Doppler shift）与智能伪影抑制算法（intelligent sidelobe suppression algorithm）。该系统显著提升了高精度的定位精度和动态环境感知能力（见图1）。它具备广泛的适用性，在复杂室内场景中表现优异（见表2）。研究工作可进一步探索其在更多应用场景中的扩展潜力以及智能化处理能力的提升方向（见文献[3]）。