レーダー3D点群の点対応学習によるレーダー慣性オドメトリ

- 軽量・低消費電力・安価な consumer-grade SoC FMCW radar センサから得られる、ノイズが多く疎で非構造な 3D point clouds 間の頑健な point correspondences を予測する学習ベースフレームワーク。 - transformer architecture を採用し、attention mechanism で連続スキャン間の相互親和性が高い点ペアを発見する。 - Radar-Inertial Odometry (RIO) のための correspondence 推定を目的とする。

- 十分な品質の point clouds 向けの既存手法は存在するが、品質が低下すると state-of-the-art でも苦戦する。 - 本手法はノイズが多く疎で非構造な SoC radar の 3D point clouds に対応する点で異なる。 - odometry error ではなく point correspondences を直接 supervision できる点が、疎でノイズの多いデータでは従来不可能だったアプローチ。

- transformer architecture の attention mechanism を活用し、連続スキャン間で相互親和性が最大の点ペアを発見する。 - self-supervised に学習し、set-based multi-label classification cross-entropy loss を用いる。 - ground-truth のマッチ集合は Linear Sum Assignment (LSA) optimization problem を解いて求め、手作業アノテーションを回避する。 - loss 計算を multi-label classification として定式化することで、odometry error ではなく point correspondences を直接 supervision する。

- オープンソースの state-of-the-art Radar-Inertial Odometry (RIO) framework と組み合わせて評価。 - 実世界の Unmanned Aerial Vehicle (UAV) flights と、広く使われる公開 Coloradar dataset で評価。 - 位置推定精度がそれぞれ平均で 14% 以上、19% 以上改善した。

- 要旨からは不明。 - ただし、疎でノイズの多い SoC radar データでは odometry error による supervision が不可能である点を動機として述べている。

- 本手法が組み込まれたオープンソースの state-of-the-art Radar-Inertial Odometry (RIO) framework。 - 公開データセット Coloradar。 - transformer architecture および attention mechanism に関する関連研究。 - Linear Sum Assignment (LSA) optimization problem を用いた correspondence 学習の関連手法。