要約
本稿では、大規模なレーダオドメトリ推定に向けた、精度が高く、効率的で、学習を必要としない新規手法「CFEAR Radarodometry」を提案する。本手法は、方位角ごとに最も強いk個の反射点を保持するフィルタリング技術を用い、さらにカルテシアン空間におけるレーダデータの追加フィルタリングを行うことで、効率的かつ高精度なスキャンマッチングを実現するための、方向性を持つ表面点のスパース集合を計算する。登録処理は点対線距離を最小化する方式で実施し、外れ値に対するロバスト性はHuber損失関数を用いることで達成している。さらに、最新のスキャンをキーフレームの履歴全体と同時に登録する手法により、ドリフトをさらに低減できることを確認した。また、パラメータの一切変更なしに、異なるセンサモデルおよびデータセットに対して本手法が汎化可能であることを実証した。我々は、3つの大きく異なる環境において本手法を評価し、公開された都市部レーダオドメトリベンチマークにおいて、空間的交差検証に基づく最先端手法と比較して全体的な並進誤差が1.76%まで低下することを示した。この性能は、単一のラップトップCPUスレッド上で55Hzのリアルタイム処理速度で達成されている。