文章：RoLM: Radar on LiDAR Map Localization
作者：Yukai Ma , Xiangrui Zhao , Han Li , Yaqing Gu , Xiaolei Lang ,Yong Liu
编辑：点云PCL
摘要
多传感器融合定位技术在自动驾驶系统中已经取得了较高的精确性，目前的主要挑战是如何提高鲁棒性。最常用的激光雷达和摄像头对天气敏感，而FMCW雷达具有较强的适应性，但容易受到噪声和幽灵效应的影响。本文提出了一种异构定位方法，称为毫米波雷达在激光雷达地图上的定位（RoLM），它可以实时消除雷达里程计的累积误差，以实现更高的定位精度，而无需依赖闭环。我们将两种传感器模态嵌入到一个稠密地图中，并计算空间向量相似性以及偏移，以查找候选地点索引的对应位置，并计算旋转和平移。我们使用ICP算法在激光雷达子地图上进行精确匹配，基于粗略对齐。在Mulran毫米波雷达数据集、牛津毫米波雷达RobotCar数据集以及我们自己的数据上进行了大量实验证明了我们方法的可行性和有效性。
图1：使用RoLM生成的雷达里程计，其中彩色框显示了一些细节。图的左侧显示了同一场景中激光雷达数据和雷达数据之间的差异
主要贡献
总的来说，本文的贡献可以总结如下：
- 提出了一种多模态雷达SLAM系统，利用毫米波雷达到激光雷达的重定位来消除里程计漂移。
- 提供了一种新的雷达对激光雷达地图（RoLM）的特征描述和匹配方法。它可以从历史激光雷达观测中检索对应的位置索引并估算粗略的变换。
- 首次将异构传感器的关联添加到滑动窗口位姿图优化中，有效提高了定位精度。
- 提供了一个新的移动小车雷达数据集。在Mulran雷达数据集（多个周期和场景）、牛津雷达RobotCar数据集以及我们的浙江大学（ZJU）数据集上进行的大量实验验证了所提出系统的有效性和可行性。
内容概述
系统的RoLM总体框架如图2所示，与现有的异构传感器信息匹配方法不同，我们使用扫描投影描述子（SPD）来描述它们的相似性，而不使用GPU进行加速。
图2：总体框架，在给定原始距离测量数据的情况下，RoLM可以从地图中的一组位置中找到相应的位置索引，并计算要添加到位姿图优化中的位姿偏差。
RoLM的动机
假设在3D空间中存在一个不透明的物体，它在激光雷达点云中呈现出清晰的轮廓和几何结构，而在毫米波雷达点云中，它的边缘看起来模糊不清。激光雷达点和雷达点之间的对应关系在它们的点云簇之间模糊不清，但相对明确。点云的密度可以指示物体的大小、厚度和空洞程度。例如，树的点云密度将比墙的点云密度稀疏，这使得从俯视角更容易看出。
毫米波雷达关键帧生成
毫米波雷达图像由于多路径返回而具有噪声和幽灵反射。将雷达点云与激光雷达点云对齐的关键在于从雷达中提取准确的环境描述。传统的做法是在单帧中滤除噪声。然而，我们无法使用这一帧信息来消除幽灵反射，而且白噪声的峰值部分也将被视为微小物体，影响最终结果。我们选择直接提取每个雷达图像帧的关键点，并融合多个帧的特征点，以避免遮挡和幽灵反射。
用于RoLM的扫描帧投影描述子
受文章[25]启发，我们用每个区块的点密度的标准化值替换了每个箱的值，首先在XY平面上栅格化单个点云帧的空间，然后计算所有格子中的点数。最后对所有格子中的点数进行标准化，得到了这个帧的点云描述子。
描述子的分辨率取决于单自由度（DOF）的大小和数量，在它们之间的行向量方向上。描述符可以根据DOF分为两类：
• 极坐标投影（PP）：PP利用极坐标，角度作为水平轴，半径r作为垂直轴。计算落入每个弧线中的点的数量以填充描述符。它在航向方向上存储1个DOF。
• 笛卡尔投影（CP）：以传感器坐标的x轴作为垂直轴，y轴作为水平轴。计算落入矩形框中的点的数量。它在y方向上包含1个DOF。
扫描帧投影估计
整个初始对准过程可以参考图3。给定初始测量集R，滑动窗口SK中的特征点被拼接成一个关键帧图，分别使用极坐标和笛卡尔投影描述子从候选列表中选择最相似的激光雷达帧，然后计算旋转角和平移，在此基础上，使用ICP完成对齐得到主要的边缘约束
图3：基于扫描帧投影的粗略估计
异构位姿图优化
整个系统的优化估计（图4）可以分为两部分。
（1）雷达里程计：提供初始位姿估计和雷达点云关键帧。
（2） 雷达在激光雷达上的定位：找到与雷达关键帧相似的激光雷达帧，并计算两者的外部参数，以获取当前位置与实际位置之间的偏差。
图4：说明了异构位姿图优化过程的示意图。
实验
作者在Mulran和Oxford数据集上对RoLM系统进行了测试。我们提供了一个数据集，该数据集是在浙江大学紫金港校区使用Navtech Radar CIR传感器和32环LiDAR收集的（图6）。
图6：（a）我们的测试车辆，配备了雷达、LiDAR、IMU和RTK传感器。（b）（c）（d）我们数据集中包含的三条路径，收集于浙江大学紫金港校区。
还在牛津毫米波雷达数据集中的不同时间收集的相同路线序列上进行了实验。它不同于Mulran数据集，后者收集了同一地区不同路线的多个连续数据集。此外，Sejong-02测试了我们的RoLM在23公里的路线上的性能。为了进一步验证算法在不同类型的传感器和车载平台上的有效性，我们建立了一个测试车辆，如图6a所示。值得一提的是，每个数据集中的车辆上的传感器类型和位置都不同，所有实验都在具有Intel® Core™ i7-9700 CPU @ 3.00GHz × 8的相同系统上进行。
将提出的系统与两个公共数据集以及来自浙江大学的数据进行了比较。这些竞争性方法包括RO 、带有回环检测的RO 和Rall，还通过消融实验验证了所提出的描述符的有效性。结果在表I中呈现出来。我们使用开源工具进行误差计算，一些序列上轨迹估计结果的概述如图5所示。
图5：在MulRan数据集上对三种不同方法的评估。轨迹（a）（b）（c），相对平移误差百分比（d）（e）（f），相对航向误差（g）（h）（i）。每一列代表不同序列的结果。
总结
本文提出了一种异构定位系统RoLM，可以实时校正雷达测程的累积误差，而无需回环：
• 点云被转换为极坐标和笛卡尔坐标的密度图。
• 我们使用SPD获取它们的粗略外部参数估计。之后，我们在初始粗略对齐的基础上进行小规模精确对齐的ICP。
• 获得的初级约束被添加到整体姿势图优化中。
文章展示了所提定位系统的可靠性，以及它在多会话多场景和我们收集的数据集中相对于其他方法的优势。
