milliEgo：基于单芯片毫米波雷达与深度传感器融合的自运动估计
机器人学
2020-10-21 v2
摘要
人和机器人等移动智能体的鲁棒且精确的轨迹估计，是为增强现实或自主交互等新兴能力提供空间感知的关键要求。尽管目前由视觉-惯性里程计等光学技术主导，但它们受限于场景光照或无特征表面的挑战。作为替代方案，我们提出 milliEgo，一种利用低成本毫米波雷达能力的鲁棒自运动估计深度学习新方法。尽管毫米波雷达相比单目相机具有度量制（即提供绝对尺度或深度）的根本优势，但当前单芯片方案的成像分辨率有限且稀疏，使得现有点云配准技术脆弱。我们提出一种针对解决这一具有挑战性的位姿变换问题而优化的新架构。其次，为将毫米波位姿估计与其他传感器（如惯性或视觉传感器）鲁棒融合，我们引入一种用于深度融合的混合注意力方法。通过大量实验，我们证明所提系统能够实现 1.3% 的 3D 误差漂移，并对未见过环境具有良好泛化能力。我们还表明该神经架构可变得高效并适用于实时嵌入式应用。
引用
@article{arxiv.2006.02266,
title = {milliEgo: Single-chip mmWave Radar Aided Egomotion Estimation via Deep Sensor Fusion},
author = {Chris Xiaoxuan Lu and Muhamad Risqi U. Saputra and Peijun Zhao and Yasin Almalioglu and Pedro P. B. de Gusmao and Changhao Chen and Ke Sun and Niki Trigoni and Andrew Markham},
journal= {arXiv preprint arXiv:2006.02266},
year = {2020}
}
备注
Appear at the ACM Conference on Embedded Networked Sensor Systems (SenSys 2020)