4D Radar-Inertial Odometry based on Gaussian Modeling and Multi-Hypothesis Scan Matching
作者: Fernando Amodeo, Luis Merino, Fernando Caballero
分类: cs.RO
发布日期: 2024-12-18 (更新: 2025-11-12)
备注: Our code and results can be publicly accessed at: https://github.com/robotics-upo/gaussian-rio-cpp
💡 一句话要点
提出基于高斯建模和多假设扫描匹配的4D雷达惯性里程计
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 4D雷达 惯性里程计 高斯建模 扫描匹配 多假设 扩展卡尔曼滤波 恶劣天气 机器人导航
📋 核心要点
- 现有雷达里程计算法难以应对4D雷达数据噪声大、稀疏的挑战，尤其是在恶劣天气下。
- 该论文提出了一种基于3D高斯建模的雷达场景表示方法，并利用其概率密度函数进行配准，同时采用多假设扫描匹配来减轻噪声影响。
- 实验结果表明，该方法在公开4D雷达数据集上与现有算法相比具有竞争力，并在部分序列中表现更优。
📝 摘要（中文）
4D毫米波雷达在恶劣天气条件下具有鲁棒性，因此被越来越多地用于里程计和SLAM。然而，雷达扫描数据的噪声和稀疏性对现有配准算法构成挑战，特别是那些最初为更精确的传感器（如激光雷达）设计的算法。借鉴3D高斯溅射在视觉领域的成功，本文提出了一种基于3D高斯全局同步优化的雷达场景表示方法，而非基于体素的方法，并利用其固有的概率密度函数（PDF）进行配准。此外，我们通过优化多个配准假设来解决雷达噪声问题，从而更好地避免PDF的局部最优。最后，我们按照现有实践，实现了一个基于扩展卡尔曼滤波的雷达惯性里程计流程，以评估我们系统的有效性。在公开的4D雷达数据集上的实验表明，我们的高斯方法与现有配准算法具有可比性，并在多个序列中优于它们。
🔬 方法详解
问题定义：论文旨在解决4D毫米波雷达在里程计和SLAM应用中，由于数据噪声大、稀疏性强，导致现有配准算法性能下降的问题。现有方法，特别是为激光雷达设计的算法，难以直接应用于雷达数据，容易陷入局部最优，影响定位精度。
核心思路：论文的核心思路是利用3D高斯分布来建模雷达场景，并利用高斯分布的概率密度函数（PDF）进行扫描匹配。同时，为了应对雷达噪声，采用多假设扫描匹配策略，即同时优化多个可能的位姿变换，从而提高配准的鲁棒性，避免陷入局部最优。
技术框架：该方法构建了一个基于扩展卡尔曼滤波（EKF）的雷达惯性里程计（RIO）系统。整体流程包括：1) 雷达数据预处理；2) 使用3D高斯分布建模雷达场景；3) 多假设扫描匹配，利用高斯分布的PDF计算匹配得分，并优化多个位姿假设；4) 将雷达里程计结果与惯性测量单元（IMU）数据融合，通过EKF估计最终的位姿。
关键创新：该论文的关键创新在于：1) 将3D高斯分布引入雷达场景建模，相比于传统的体素方法，高斯分布能够更好地表示雷达数据的概率分布，并提供可微的PDF，方便优化；2) 提出多假设扫描匹配策略，通过同时优化多个位姿假设，有效应对雷达噪声，提高配准的鲁棒性。
关键设计：在多假设扫描匹配中，需要设计合适的匹配得分函数，通常基于高斯分布的PDF计算。此外，需要设置合适的假设数量和优化算法，以在计算效率和配准精度之间取得平衡。扩展卡尔曼滤波器的参数设置，如过程噪声和测量噪声的协方差矩阵，也需要根据雷达和IMU的特性进行调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在公开的4D雷达数据集上与现有的配准算法具有可比性，并在多个序列中表现更优。具体来说，该方法在某些序列中能够显著降低里程计的漂移误差，提高定位精度。多假设扫描匹配策略能够有效应对雷达噪声，提高配准的鲁棒性。
🎯 应用场景
该研究成果可应用于自动驾驶、机器人导航、无人机等领域，尤其是在恶劣天气条件下，例如雨、雪、雾等，这些场景下激光雷达等传感器的性能会受到严重影响，而毫米波雷达具有更强的鲁棒性。该方法能够提高雷达里程计的精度和鲁棒性，从而提升整个系统的定位和导航性能，具有重要的实际应用价值。
📄 摘要（原文）
4D millimeter-wave (mmWave) radars are sensors that provide robustness against adverse weather conditions (rain, snow, fog, etc.), and as such they are increasingly used for odometry and SLAM (Simultaneous Location and Mapping). However, the noisy and sparse nature of the returned scan data proves to be a challenging obstacle for existing registration algorithms, especially those originally intended for more accurate sensors such as LiDAR. Following the success of 3D Gaussian Splatting for vision, in this paper we propose a summarized representation for radar scenes based on global simultaneous optimization of 3D Gaussians as opposed to voxel-based approaches, and leveraging its inherent Probability Density Function (PDF) for registration. Moreover, we propose tackling the problem of radar noise entirely within the scan matching process by optimizing multiple registration hypotheses for better protection against local optima of the PDF. Finally, following existing practice we implement an Extended Kalman Filter-based Radar-Inertial Odometry pipeline in order to evaluate the effectiveness of our system. Experiments using publicly available 4D radar datasets show that our Gaussian approach is comparable to existing registration algorithms, outperforming them in several sequences.