[论文阅读]4DRadarSLAM: A 4D Imaging Radar SLAM System for Large-scale Environments

 

目录

 

1.摘要和引言：

2. 系统框架：

2.1 前端：

2.2 回环检测：

2.3 后端：

3.实验和分析：

4.结论

---

1.摘要和引言：

这篇论文介绍了一种名为“4DRadarSLAM”的新型4D成像雷达SLAM系统，旨在提高大规模环境下的定位与地图构建性能。与传统的基于激光雷达的SLAM系统相比，该系统在恶劣天气条件下表现更佳。它包括前端、回环检测和后端三个主要部分：前端通过扫描匹配计算里程计数据，回环检测模块识别回环，后端则构建并优化姿态图。该系统的显著特点是考虑了每个点的概率分布，从而改善性能。论文中还展示了在不同平台和数据集上的实验结果，证明了该系统的准确性、鲁棒性和实时性。此外，为了进一步促进相关研究，研究者将系统代码开源。https://github.com/zhuge2333/4DRadarSLAM

引言部分介绍了同步定位与地图构建（SLAM）的重要性，并指出在恶劣天气条件下，基于激光雷达的SLAM系统可能会受到限制。因此，近年来越来越多的关注转向了稳健的毫米波雷达测距（mmWave Radar）。然而，大多数研究集中在2D或3D雷达上，而关于4D雷达（x, y, z, 多普勒）的研究相对较少。4D雷达是一种相对较新的技术，其收集的点云比3D激光雷达更嘈杂和稀疏，这使得从4D雷达的点云中提取有效的几何特征更具挑战性。因此，直接将3D激光雷达SLAM方法应用于4D雷达SLAM并不可行。论文提出了一个针对4D成像雷达的完整SLAM系统，包括前端、回环检测和后端。

2. 系统框架：

4DRadarSLAM系统分三个主要模块：前端、回环检测和后端。在前端模块中，使用4D雷达点云作为输入，估计里程计数据并生成关键帧。回环检测模块评估每个新的关键帧，以确定是否能形成回环。在后端，构建并使用g2o优化姿态图，从而生成优化后的姿态作为输出。整个系统旨在通过这些模块协同工作，提高SLAM系统在大规模环境中的性能和准确性。 

2.1 前端：

预处理阶段：需要过滤掉动态物体。可以利用雷达的多普勒速度信息来识别这些物体。在这项研究中，作者使用一种在文献[33]中提出的线性最小二乘法来估计雷达的自我速度。通过估计的多普勒速度和自我速度，他们能够确定物体的真实速度。这一过程有助于提高SLAM系统对环境的理解和处理能力，尤其是在动态和复杂的场景中。 

 Scan-to-Scan matching: 输入是上一关键帧（Fk）和新的一帧（Pt）。目标是找到从t到k的转换矩阵（Ttk）。由于4D雷达点云的噪声较大，直接提取几何特征（如边缘和平面）并不容易。我们发现，与 ICP 和 NDT 相比，GICP 算法可以输出更可接受的结果。初始转换矩阵设置为上一次的转换矩阵（Ttk-1）。提出了一种新的算法，称为自适应概率分布-GICP（APDGICP），它在 GICP 算法中考虑了每个点的空间概率分布。根据雷达手册，点的测距不确定性为 σr = 0.00215r，其中 r 和 σr 分别是测量的距离和不确定性。方位角和仰角精度分别为 0.5° 和 1.0°，这导致了球坐标系中方位角和仰角方向的不确定性，近似为 σa ≈ sin(0.5°)r 和 σe ≈ sin(1.0°)r。由此产生的概率分布如下图所示，类似于一个椭球体（橙色），一个轴指向原点，三个半轴长度分别为 σr（距离）、σa（方位角）和 σe（仰角）。

关键帧选择：第一帧被指定为固定关键帧，而后续关键帧的确定取决于是否满足以下两个条件之一：1. 当前帧和上一关键帧之间的平移量超过阈值 δt； 2. 当前帧和上一关键帧之间的旋转量超过阈值 δr。阈值参数根据经验设置如下：δt = 0.5m 或 2m，δr = 15°。第 k 个和第 k+1 个关键帧之间的扫描到扫描匹配结果作为 SE(3) 二元边添加到位姿图中。

2.2 回环检测：

此步骤的目的是确定每个关键帧是否构成了一个回环。首先，通过预过滤步骤基于四个规则识别潜在的环路，包括距离限制、空间接近性、高度差限制和姿态角限制。接着，利用强度扫描上下文模块来进一步筛选潜在的闭环候选。最后，为确保几何一致性，采用里程计检查步骤，以防止后端姿态图优化中的几何不一致问题。通过这些步骤，系统能有效识别并确认回环，从而增强SLAM系统的精度和可靠性。 

2.3 后端：

基于前端里程计、闭环检测和GPS信号（如果可用）构建姿态图。关键帧在姿态图中表示为节点，节点之间的边代表里程计约束。当确定闭环时，将其作为约束（二元边）添加。如果有GPS信号，也可以将其作为单元边加入姿态图中，其协方差直接从GPS数据获得。最后，使用g2o库优化姿态图，得出优化的姿态。

3.实验和分析：

这里包括了对系统的前端和后端性能的定量分析，以及使用五个不同数据集的实验结果。实验显示，在小规模数据集上，APDGICP（自适应概率分布GICP）在前端性能上优于GICP，而在大规模数据集上GICP表现更好。准确的环路闭合显著提高了精度，尤其是在后端优化时。此外，使用GPS数据的后端优化进一步提高了系统的性能。文章还包括了对这些方法在不同数据集上轨迹的可视化比较，以及各个算法步骤的效率分析。

4.结论

在这篇论文中，为4D成像雷达引入了一个完整的SLAM系统，该系统由三个模块组成：前端、回环检测和后端。在前端，估计了雷达自身速度以去除动态物体，并提出了APDGICP算法，该算法考虑了原始GICP中每个点的概率分布，用于扫描到扫描匹配。在回环检测中，引入了几种回环过滤方法，并使用强度扫描上下文来查找回环候选。实现了一个里程计检查模块，以确定最佳回环。在后端，基于前端里程计、检测到的回环和GPS数据构建位姿图。使用自己收集的数据集进行了大量实验，这些数据集涵盖了各种环境和速度，包括结构化和非结构化、小规模和大规模环境、低速和中速。我们提出的系统在笔记本电脑上实现了实时性能，相对误差（RE）为2.05%、0.0052deg/m，绝对轨迹误差（ATE）为2.35m。未来的工作包括：融合4D雷达和IMU以实现更鲁棒的SLAM。