オドメトリ/レーダ2025/9/1arXiv:2509.20674

Equi-RO: 同変ネットワークによる4Dミリ波レーダオドメトリ

Equi-RO: A 4D mmWave Radar Odometry via Equivariant Networks

4Dミリ波レーダのドップラー速度を不変特徴に変換し、同変・不変ネットワークとグラフ構造でフレーム間対応を強化するオドメトリ手法を提案。公開データセットで並進・回転精度を改善。

詳しい要約

1. どんなもの？

- 4D mmWave Radar を用いたオドメトリ推定フレームワーク Equi-RO の提案 - Autonomous vehicles や robots の GPS-denied 環境での利用を想定 - LiDAR や camera が苦手とする悪天候下でも動作する全天候性と速度計測を活用 - equivariant network を基盤とした 4D radar odometry 手法 - Doppler velocity を graph 上の invariant な node/edge 特徴に前処理 - equivariant 特徴と invariant 特徴を別々のネットワークで処理

2. 先行研究と比べてどこがすごい？

- LiDAR や camera は extreme weather 下で性能が低下するのに対し、4D mmWave Radar は全天候性と速度計測を備える点を動機に置く - 既存の state-of-the-art アルゴリズムと比較し、精度・ロバスト性で上回ると主張 - open-source dataset 上で translation 10.7%、rotation 13.4% の相対改善 - 具体的な先行研究名は要旨からは不明

3. 技術・手法の肝は？

- Doppler velocity を invariant な node 特徴・edge 特徴へ変換する前処理 - equivariant 特徴処理と invariant 特徴処理を分離したネットワーク構成 - graph-based architecture により sparse な radar データの特徴集約を強化 - フレーム間 correspondence の改善を狙う

4. どうやって有効だと検証した？

- open-source dataset と self-collected dataset の両方で実験 - state-of-the-art アルゴリズムとの比較で accuracy と robustness を評価 - open-source dataset で translation 10.7%、rotation 13.4% の相対改善を報告 - 具体的なデータセット名や評価指標の詳細は要旨からは不明

5. 議論はある？

- 要旨からは不明 - 限界や失敗事例、計算コスト、悪天候下での実証詳細についての記述は要旨に無い

6. 次に読むべき論文は？

- 要旨で参照・比較されている具体的な先行研究名は不明 - 関連手法として 4D mmWave Radar odometry、equivariant network、graph-based feature aggregation に関する研究 - 比較対象として LiDAR odometry や camera-based odometry の代表的手法

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Zeyu Han, Shuocheng Yang, Minghan Zhu, Fang Zhang, Shaobing Xu, Maani Ghaffari, Jianqiang Wang

分類: cs.RO, cs.CV

原文アブストラクト

Autonomous vehicles and robots rely on accurate odometry estimation in GPS-denied environments. While LiDARs and cameras struggle under extreme weather, 4D mmWave radar emerges as a robust alternative with all-weather operability and velocity measurement. In this paper, we introduce Equi-RO, an equivariant network-based framework for 4D radar odometry. Our algorithm pre-processes Doppler velocity into invariant node and edge features in the graph, and employs separate networks for equivariant and invariant feature processing. A graph-based architecture enhances feature aggregation in sparse radar data, improving inter-frame correspondence. Experiments on an open-source dataset and a self-collected dataset show Equi-RO outperforms state-of-the-art algorithms in accuracy and robustness. Overall, our method achieves 10.7% and 13.4% relative improvements in translation and rotation accuracy, respectively, compared to the best baseline on the open-source dataset.

arXivで原文を読む →arXiv概要ページ

← 論文一覧