RadarLoc: Learning to Relocalize in FMCW Radar

Lead Author:
• Problem: Relocalization
Wei Wang
• Input: Trained Neural Networks + Single Frame Radar Scan
Andrew Markham
• Output: 6DoF Global Pose
Niki Trigoni
• Significance: An End-to-end Neural Network With Self-attention
Conference:
• SoA & Limitations: ICRA 2021

Deep Camera
SoA GNSS Camera Based Lidar Based
Based
Indoor Impacted By Impacted By Impacted By
Environments Ambient Ambient Ambient
Limitations
And Buildings Environmental Environmental Environmental
Shadow Conditions Conditions Conditions

• 3 Contributions:
• Radar scans can be employed to estimate absolute 6-DoF poses in an end-to-end fashion.
• Refine pose estimations by leveraging geometric constraints.
• Comprehensive experiments and ablation study.
RadarLoc: Learning to Relocalize in FMCW
Radar
目录

1 背景

2 研究对象

3 解决方法

4 评估分析
目录

1 背景

2 研究对象

3 解决方法

4 评估分析
SLAM 流程 & 关注重点

通过闭环检测数
通过前后帧的传感数 据对轨迹进行优
据估计姿态变换矩阵 化

传感器数据 里程计 后端优化 建图

闭环检测 重定位
算法互用

机器人再一次进入已
寻找到达过的场 经到达过的场景时估
景 计自身的全局坐标

定位
目录

1 背景

2 研究对象

3 解决方法

4 评估分析
研究对象

基本对象 重定位 ( 之前通过相同的路径 )

• 特征匹配（传统） .
理论对象
• 图优化（传统） .

• 自注意力机制模型（ ANN 的方法）

目录

1 背景

2 研究对象

3 解决方法

4 评估分析
 RadarLoc 结构

处理干扰，如在预建图的过程中
移动的汽车行人等的干扰

去除削弱干扰的雷达扫描图像
76GHz 窄波束机械
扫描雷达
（ CTS350-X ）
 损失函数
𝒑 𝑛𝑜𝑤 =𝒑 𝑝𝑎𝑠𝑡 +𝒑 𝒒 𝑛𝑜𝑤 ={||𝒗 ||, ( 𝒗 𝑝𝑎𝑠𝑡 ) +𝑢 𝒗 }
目标向量（ 6-DoF ）： 𝒒=(𝑢 , 𝒗 )

损失函数：
目录

1 背景

2 研究对象

3 解决方法

4 评估分析
与 SOA 方法比较
 Ablation Study

Use the ResNet as the radar encoder (ResNet)

Do Not Contain Self-attention Module

Use The UNet As The Self-

attention Module

RadarLoc without geometric constraints

Thanks