Odometría Inercial de Radar Robusta en Entornos 3D Dinámicos
Autores: Lyu, Yang; Hua, Lin; Wu, Jiaming; Liang, Xinkai; Zhao, Chunhui
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Odometría Inercial de Radar Robusta en Entornos 3D Dinámicos
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Radar de milímetros
Odometría inercial por radar
Interfaz de percepción
Filtrado de nubes de puntos de radar
Estructura basada en optimización
Datos de IMU
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El radar de ondas milimétricas es un sensor prometedor para lograr una percepción robusta frente a condiciones de observación desafiantes. En este artículo, proponemos un pipeline de Odometría Inercial de Radar (RIO) que utiliza un radar de ondas milimétricas 4D de largo alcance para la navegación de vehículos autónomos. Inicialmente, desarrollamos un frontend de percepción basado en el filtrado y registro de nubes de puntos de radar para estimar de manera confiable las transformaciones relativas entre los fotogramas. Luego, se formula una columna vertebral basada en optimización, que fusiona datos de IMU, poses relativas y velocidades de nubes de puntos a partir de mediciones Doppler del radar. El método propuesto se prueba extensamente en entornos desafiantes en carretera y en el aire. Los resultados indican que el RIO propuesto puede proporcionar una función de localización confiable para plataformas móviles, como vehículos automotrices y vehículos aéreos no tripulados (UAV), en diversas condiciones de operación.
Descripción
El radar de ondas milimétricas es un sensor prometedor para lograr una percepción robusta frente a condiciones de observación desafiantes. En este artículo, proponemos un pipeline de Odometría Inercial de Radar (RIO) que utiliza un radar de ondas milimétricas 4D de largo alcance para la navegación de vehículos autónomos. Inicialmente, desarrollamos un frontend de percepción basado en el filtrado y registro de nubes de puntos de radar para estimar de manera confiable las transformaciones relativas entre los fotogramas. Luego, se formula una columna vertebral basada en optimización, que fusiona datos de IMU, poses relativas y velocidades de nubes de puntos a partir de mediciones Doppler del radar. El método propuesto se prueba extensamente en entornos desafiantes en carretera y en el aire. Los resultados indican que el RIO propuesto puede proporcionar una función de localización confiable para plataformas móviles, como vehículos automotrices y vehículos aéreos no tripulados (UAV), en diversas condiciones de operación.