EFEAR-4D: Ego-Velocity Filtering for Efficient and Accurate 4D radar Odometry

本文介绍了里程计在实现自主导航中的重要性，依赖于相机、LiDAR和IMU等传感器。然而，这些传感器可能会在极端天气条件下遇到挑战，例如下雪和雾天。FMCW雷达技术的出现为在恶劣条件下提供强大的感知能力提供了可能。作为最新一代FMCW雷达，4D毫米波雷达提供了具有距离、方位、高度和多普勒速度信息的点云，尽管点云中存在稀疏和噪声。本文提出了EFEAR-4D，一种准确、高效且无需学习的大规模4D雷达里程计估计方法。EFEAR-4D精细地利用多普勒速度信息进行鲁棒的自我速度估计，从而得出高度准确的先验猜测。EFEAR-4D通过动态物体去除和有效的区域特征提取，在各种环境中保持对点云稀疏性和噪声的鲁棒性。在两个公开可用的4D雷达数据集上进行的大量实验表明，EFEAR-4D在各种条件下具有最先进的可靠性和定位精度。此外，我们收集了一个数据集，按照相同的路线但不同的4D雷达安装高度，强调雷达高度对点云质量的重要影响，这是实际部署的关键考虑因素。我们的算法和数据集将很快在https://github.com/CLASS-Lab/EFEAR-4D上提供。

解决问题：论文提出了EFEAR-4D方法，旨在解决在极端天气条件下，如雪和雾等情况下，传统传感器（如相机、LiDAR和IMU）可能遇到的挑战，并利用FMCW雷达技术提供的点云信息进行自主导航。

关键思路：EFEAR-4D方法利用Doppler速度信息进行鲁棒的自我速度估计，实现高精度的先验猜测。通过动态对象去除和有效的区域特征提取，EFEAR-4D方法在不同环境下保持点云稀疏性和噪声的鲁棒性。

其他亮点：论文在两个公开数据集上进行了广泛的实验，证明了EFEAR-4D方法在不同条件下具有最先进的可靠性和定位精度。此外，论文还收集了一个数据集，强调雷达安装高度对点云质量的重要影响。作者将算法和数据集开源。

相关研究：最近的相关研究包括“Robust Localization and Mapping Using a Sparse Multi-View Stereo System in Changing Environments”和“Adaptive Multi-View Stereo: A Robust and Scalable Approach for Dense 3D Reconstruction”。