Co-RaL: Complementary Radar-Leg Odometry with 4-DoF Optimization and Rolling Contact
作者: Sangwoo Jung, Wooseong Yang, Ayoung Kim
分类: cs.RO
发布日期: 2024-07-08 (更新: 2024-07-10)
备注: IROS 2024 accepted, 8 pages, 7 figures, 4 Tables
🔗 代码/项目: GITHUB
💡 一句话要点
Co-RaL：结合芯片雷达与腿部里程计，实现四自由度优化和滚动接触建模的稳健定位。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 雷达里程计 腿部里程计 四自由度优化 滚动接触建模 紧耦合 机器人定位 SLAM
📋 核心要点
- 现有雷达里程计在复杂环境中定位精度不足，且易受环境干扰，腿部里程计则存在接触漂移问题。
- 提出Co-RaL，紧耦合芯片雷达和腿部里程计，利用雷达的全局感知和腿部的局部精确性互补，提升定位精度。
- 实验结果表明，Co-RaL在多种真实场景下优于现有芯片雷达里程计，尤其在z方向定位精度上有显著提升。
📝 摘要（中文）
本文提出了一种独特的传感器配置，通过集成芯片雷达和腿式机器人，实现精确且稳健的里程计，这对于SLAM至关重要。具体而言，我们引入了一种紧耦合的雷达-腿部里程计算法，用于互补的漂移校正。通过采用四自由度优化和解耦RANSAC，显著增强了毫米波芯片雷达的雷达里程计性能，尤其是在z方向上，即使使用单个雷达也是如此，超越了现有方法。对于腿部里程计，我们采用滚动接触建模辅助的前向运动学，以适应可能存在接触漂移和雷达失效的场景。我们通过使用真实世界数据集在各种环境中与其他芯片雷达里程计算法进行比较来评估我们的方法，这些数据集将向机器人社区发布。
🔬 方法详解
问题定义：现有基于芯片雷达的里程计在复杂环境中，尤其是在z方向上的定位精度不足，并且容易受到环境干扰。腿部里程计虽然在局部精度较高，但容易受到接触漂移的影响，导致累计误差。
核心思路：Co-RaL的核心思路是将芯片雷达和腿部里程计进行紧耦合，利用雷达的全局感知能力和腿部里程计的局部精确性进行互补。雷达里程计提供粗略的全局位姿估计，腿部里程计提供精确的局部运动信息，通过紧耦合优化，可以有效地抑制各自的误差。
技术框架：Co-RaL系统主要包含两个模块：雷达里程计和腿部里程计。雷达里程计采用四自由度优化和解耦RANSAC算法，从雷达点云中提取特征并估计位姿变化。腿部里程计则利用滚动接触建模辅助的前向运动学，估计腿部的运动轨迹。最后，通过一个紧耦合的优化框架，将雷达里程计和腿部里程计的估计结果进行融合，得到最终的位姿估计。
关键创新：Co-RaL的关键创新在于以下几个方面：1) 提出了一种紧耦合的雷达-腿部里程计算法，实现了互补的漂移校正。2) 采用四自由度优化和解耦RANSAC，显著增强了毫米波芯片雷达的雷达里程计性能，尤其是在z方向上。3) 采用滚动接触建模辅助的前向运动学，以适应可能存在接触漂移和雷达失效的场景。
关键设计：雷达里程计中，四自由度优化允许雷达在水平面内进行旋转和平移，以及垂直方向上的平移，这更符合实际运动场景。解耦RANSAC算法则分别对旋转和平移进行鲁棒估计，提高了算法的抗噪能力。腿部里程计中，滚动接触建模考虑了腿部与地面之间的滚动摩擦，提高了运动学模型的精度。紧耦合优化框架中，采用了合适的权重来平衡雷达里程计和腿部里程计的贡献，以达到最佳的定位效果。
🖼️ 关键图片
📊 实验亮点
实验结果表明，Co-RaL在多种真实场景下优于现有的芯片雷达里程计。尤其是在z方向定位精度上有显著提升，这得益于四自由度优化和解耦RANSAC算法。此外，Co-RaL在存在接触漂移和雷达失效的场景下，仍然能够保持较高的定位精度，这验证了滚动接触建模和紧耦合优化框架的有效性。具体性能数据未知，需参考论文原文。
🎯 应用场景
Co-RaL技术可应用于复杂环境下的机器人导航、自主探索和定位。例如，在仓库、矿井、建筑工地等场景中，机器人可以利用Co-RaL实现高精度、高鲁棒性的定位，从而完成搬运、巡检、勘探等任务。此外，该技术还可以应用于无人驾驶、增强现实等领域，提升用户体验和安全性。
📄 摘要（原文）
Robust and accurate localization in challenging environments is becoming crucial for SLAM. In this paper, we propose a unique sensor configuration for precise and robust odometry by integrating chip radar and a legged robot. Specifically, we introduce a tightly coupled radar-leg odometry algorithm for complementary drift correction. Adopting the 4-DoF optimization and decoupled RANSAC to mmWave chip radar significantly enhances radar odometry beyond the existing method, especially z-directional even when using a single radar. For the leg odometry, we employ rolling contact modeling-aided forward kinematics, accommodating scenarios with the potential possibility of contact drift and radar failure. We evaluate our method by comparing it with other chip radar odometry algorithms using real-world datasets with diverse environments while the datasets will be released for the robotics community. https://github.com/SangwooJung98/Co-RaL-Dataset