雷达 3D 点云中学习点对应关系用于雷达-惯性里程计
机器人学
2025-06-24 v1
摘要
在机器人里程计估计中使用 3D 点云通常需要在后续扫描之间的点之间寻找一组对应关系。虽然已有方法可处理足够质量的点云，但当前方法在质量下降时仍显得力不从众。因此，本文提出一种基于学习的新框架，用于预测来自轻量级、低功耗、经济的消费级系统-on-chip（SoC）频率调制连续波（FMCW）雷达传感器获取的噪声、稀疏且无结构的 3D 点云间的稳健点对应关系。该网络基于 Transformer 架构，利用注意力机制发现连续扫描中相互吸引力最大的点对。本文提出的网络以自监督方式训练，采用基于集合的多标签分类交叉熵损失，其中 ground-truth 匹配集合通过求解线性分配问题（Linear Sum Assignment, LSA）获得，从而避免繁琐的训练数据标注。此外，将损失计算建模为多标签分类允许直接对点对应关系进行监督，而这在我们使用的 SoC 雷达稀疏且噪声较大的条件下对里程计误差进行监督是不可行的。我们在真实无人机飞行中使用开源的最新雷达-惯性里程计（Radar-Inertial Odometry, RIO）框架进行评估，并借助广泛使用的公开 Coloradar 数据集进行测试。评估结果表明，所提方法在两个数据集上分别将位置估计精度提高了 14% 和 19%。本文的开源代码与数据集可在 https://github.com/aau-cns/radar_transformer 查阅。
引用
@article{arxiv.2506.18580,
title = {Learning Point Correspondences In Radar 3D Point Clouds For Radar-Inertial Odometry},
author = {Jan Michalczyk and Stephan Weiss and Jan Steinbrener},
journal= {arXiv preprint arXiv:2506.18580},
year = {2025}
}