作者 | 自动驾驶专栏 编辑 | 自动驾驶专栏
点击下方卡片，关注“3D视觉之心”公众号
>>点击进入→3D视觉之心技术交流群
论文链接：https://arxiv.org/pdf/2411.07699 代码链接：https://github.com/yangsc4063/rino
摘要
本文介绍了RINO：基于非迭代估计的精确、鲁棒雷达惯性里程计。精确的定位和建图对于实现自动驾驶汽车的自主导航是至关重要的。然而，自身运动估计仍然面临着重大挑战，特别是在GNSS发生失效时或者极端天气条件下（例如雾、雨和雪）。近年来，扫描雷达因其强大的穿透能力而成为一种有效的解决方案。然而，扫描雷达数据固有地包含大量的噪声，需要数百到数千次的优化迭代以从噪声数据中估计可靠的变换。这种迭代求解耗时、不稳定且易于失败。为了应对这些挑战，本文提出了一种精确且鲁棒的雷达惯性里程计系统RINO，它采用一种非迭代求解方法。本文方法将旋转和平移估计解耦，并且应用一种自适应投票机制来进行2D旋转估计，在确保求解时间一致的同时提高了效率。此外，该方法利用误差状态卡尔曼滤波（ESKF）实现了扫描雷达和惯性测量单元（IMU）之间的松耦合系统。值得注意的是，本文系统成功地估计了扫描雷达位姿估计的不确定性，并且将其加入滤波器的最大后验估计中，这是一个先前被忽略的考虑因素。在公开数据集上的验证表明，RINO在精度和鲁棒性方面均优于最先进的方法和基线。
主要贡献
本文的主要贡献总结如下：
1）本文提出了一种适用于大量噪声且严重畸变的扫描雷达数据来实现旋转和平移估计的非迭代方法。该方法不仅减少了计算时间，还提高了估计过程的鲁棒性；
2）本文提出了一种松耦合的ESKF系统，其中RINO能够在线计算扫描雷达位姿估计的不确定性，该雷达与IMU自适应融合。这增强了系统的环境适应性；
3）在数据集上的大量实验表明，RINO在各种场景和恶劣天气条件下展现出强大的性能和适应性。实车测试进一步验证了RINO的实用性。
论文图片和表格
总结
本项工作引入了RINO系统，这是一种鲁棒且精确的雷达惯性里程计框架，以应对恶劣天气条件下自动驾驶汽车自主导航所带来的挑战。通过采用非迭代方法进行旋转和平移估计，RINO在维持稳定性的同时显著提升了效率。2D旋转估计的自适应投票机制以及将扫描雷达位姿不确定性加入误差状态卡尔曼滤波（ESKF）代表了提高位姿估计鲁棒性和精度的新贡献。与现有的最先进的方法和基线相比，本文系统在精度和适应性方面展现出优越的性能。
关键研究成果包括运动畸变的策略补偿、迭代求解的消元和位姿不确定性估计，这些共同促成了算法的成功。此外，现实世界测试验证了系统的性能和鲁棒性，证实了RINO非常适合实际部署。
通过本项工作，研究者可以了解在非迭代、松耦合框架中结合雷达和IMU数据的价值以及在位姿估计中精确建模不确定性的重要性。尽管RINO优于现有的方法，但是它也突出了需要改进的空间，例如更有效的运动畸变补偿和处理退化场景。未来工作将着重于解决这些局限性，以进一步增强算法在现实世界自主导航中的鲁棒性和适用性。
扫码添加小助理进群
3D视觉之心知识星球主打3D感知全技术栈学习，星球内部形成了视觉/激光/多传感器融合SLAM、传感器标定、点云处理与重建、视觉三维重建、NeRF与Gaussian Splatting、结构光、工业视觉、高精地图等近15个全栈学习路线，每天分享干货、代码与论文，星球内嘉宾日常答疑解惑，交流工作与职场问题。
