CorAl：基于微分熵在不同环境中实现鲁棒雷达与激光雷达感知的自省方法
摘要
鲁棒感知是使移动机器人长期运行的关键组成部分。它依赖于通过可靠传感器数据与预处理实现的故障恢复力，以及通过自省（例如自我评估定位性能的能力）实现的故障意识。本文提出 CorAl：一种有原则、直观且可泛化的点云对之间对齐质量度量方法，其以自监督方式学习检测对齐误差。CorAl 分别比较点云中的微分熵与其并集中的熵，以考虑场景固有的熵。通过利用双重熵测量，我们获得了一个对微小对齐误差高度敏感且仍能很好泛化到未知环境的质量度量。在本工作中，我们将先前仅用于激光雷达的 CorAl 扩展到雷达数据，提出一种两阶段滤波技术，从噪声雷达扫描中生成高质量点云。因此我们以两种方式实现鲁棒感知：引入一种自省评估对齐质量的方法，并将其应用于一种固有鲁棒的传感器模态。我们表明我们的滤波技术结合 CorAl 可应用于对齐分类问题，并在城市环境中以高达 98% 的准确率检测微小对齐误差，若仅在另一环境中训练则高达 96%。我们的激光雷达和雷达实验表明，CorAl 在包含多个室内外环境的 ETH 激光雷达基准以及用于城市交通场景的大规模 Oxford 和 MulRan 雷达数据集上均优于先前方法。结果还表明 CorAl 在 substantially 不同环境间泛化非常好，无需重新训练。
引用
@article{arxiv.2205.05975,
title = {CorAl: Introspection for Robust Radar and Lidar Perception in Diverse Environments Using Differential Entropy},
author = {Daniel Adolfsson and Manuel Castellano-Quero and Martin Magnusson and Achim J. Lilienthal and Henrik Andreasson},
journal= {arXiv preprint arXiv:2205.05975},
year = {2022}
}
备注
Accepted for Robotics and Autonomous Systems, Selected papers from the 9th European Conference on Mobile Robots (ECMR 2021) https://www.sciencedirect.com/science/article/pii/S0921889022000768. arXiv admin note: text overlap with arXiv:2109.09820