Achieving general motion estimation in harsh environments has been a key challenge in robotics. Previously, LiDAR and camera sensors, which are mainly used in robotics, have high accuracy and a large amount of information, but are not robust in harsh environments. Measurements that are not robust cannot be used because they cause significant problems in estimating the pose. Radar sensors measure robustly in harsh environments, and are widely used in defense, maritime, weather observation, and automotive. In this thesis, we propose pose estimation methods using radar sensors, and prove the superiority of performance through comparison with existing sensors in harsh environments. The technical summary of this dissertation is as follows.
First, we propose a localization and mapping algorithm that leverages a radar system in low-visibility environments. We aim to address disaster situations in which prior knowledge of a place is available from CAD or LiDAR maps, but incoming visibility is severely limited. In smoky environments, typical sensors (e.g., cameras and LiDARs) fail to perform reliably due to the large particles in the air. Radars recently attracted attention for their robust perception in low-visibility environments; however, radar measurements’ angular ambiguity and low resolution prevented the direct application to the SLAM framework. In this thesis, we propose registering radar measurements against a previously built dense LiDAR} map for localization and applying radar-map refinement for mapping. Our proposed method overcomes the significant density discrepancy between LiDAR and radar with a density-independent point registration algorithm. We validate the proposed method in an environment containing dense fog.
Secondly, this study was conducted to estimate the odometry using radar data output from a high-performance 2D scanning radar. Previous scanning radar-based odometry methods are mostly feature-based; they detect and match salient features within a radar image. Differing from existing feature-based methods, this thesis on a method using direct radar odometry, PhaRaO, which infers relative motion from a pair of radar scans via phase correlation. Specifically, we apply the FMT for Cartesian and log-polar radar images to sequentially estimate rotation and translation. In doing so, we decouple rotation and translation estimations in a coarse-to-fine manner to achieve real-time performance. The proposed method is evaluated using large-scale radar data obtained from various environments. The inferred trajectory yields a 2.34% (translation) and 2.93 degree (rotation) Relative Error (RE) over a 4km path length on average for the odometry estimation.
Finally, we devised a custom sensor system for 3D velocity estimation by compositing two orthogonal automotive radar sensors. By perceiving beyond the visible spectrum, the proposed radar system measures velocity within all visibility conditions regardless of the structureness of the environment. Furthermore, we introduce a novel radar instant velocity factor for pose-graph SLAM framework and solve for 3D ego-motion in the integration with IMU. The validation reveals that the proposed method can be applied to estimate general 3D motion in both indoor and outdoor, regardless of the visibility and the structureness in the environment. Additionally, using these results, radar-LiDAR fusion SLAM operating in unstructured environments was also proposed. The performance was improved by performing LiDAR mapping using the 3D ego-motion obtained from the radar sensor as an initial value, and loop closing was used to correct the drift error. It was shown that the proposed method can generate maps and routes with minimal drift error even in large scale unstructured environments.
극한 환경에서 일반적인 모션 추정을 달성하는 것은 로봇 공학의 핵심 과제였다. 기존에 로봇 공학에서 주로 사용되는 LiDAR와 카메라 센서는 높은 정확도와 많은 정보량을 가지고 있지만 극한 환경에서는 강건하지 않다. 강건하지 않은 측정 값들은 위치 추정에 중대한 문제를 일으키기 때문에 사용할 수 없다. 레이더 센서는 극한 환경에서 강건하게 환경을 측정할 수 있는 센서이며, 현재 국방, 해상, 기상, 차량 등에서 실용적으로 많이 사용되고 있다. 본 학위 논문에서는 레이더 센서를 사용한 위치 추정 방법들을 제안하고, 극한 환경에서 기존 센서들과의 비교를 통해 성능의 우수함을 증명한다. 본 학위 논문의 기술적인 요약은 아래와 같다.
첫 번째로, 낮은 가시성 환경에서 레이더 시스템을 활용하는 지역화 (localization) 및 지도화 (mapping) 알고리즘을 제안하였다. 장소의 사전 CAD 또는 LiDAR 지도를 사용할 수 있지만 가시성이 심각하게 제한되는 재해 상황을 해결하는 것을 목표로 하였다. 연기가 많은 환경에서 카메라 및 LiDAR와 같은 센서는 공기 중의 큰 입자로 인해 안정적으로 작동하지 않는다. 레이더는 최근 가시성이 낮은 환경에서도 강인한 인식 성능으로 주목을 받았다. 그러나 레이더 측정 값의 모호성과 낮은 해상도로 인해 레이더 측정 값을 SLAM 프레임 워크 (framework)에 직접적으로 적용 할 수는 없다. 본 학위 논문에서는 지역화를 위해 이전에 구축 된 고밀도 LiDAR 지도에 대해 레이더 측정 값을 등록하고 지도화를 위한 레이더 맵 미세 조정을 적용 할 것을 제안하였다. 제안 된 방법은 밀도 독립적인 (density-independent) 포인트 등록 알고리즘을 사용하여 LiDAR와 레이더 간의 상당한 밀도 불일치를 극복한다. 제안 된 방법은 짙은 안개가 있는 환경에서 LiDAR를 사용한 SLAM 결과와 비교되었다.
두 번째로, 높은 성능의 2D 스캐닝 레이더에서 출력하는 레이더 데이터를 사용한 주행 거리 추정을 연구하였다. 이러한 스캐닝 레이더 기반 주행 거리 측정 방법은 대부분 특징점 기반이며, 레이더 이미지 내에서 두드러진 특징점을 감지하고 일치시킨다. 기존의 특징점 기반 방법과 달리 본 학위 논문에서는 위상 상관 (phase correlation)을 통해 한 쌍의 레이더 스캔에서 상대 동작을 추정하는 직접 (direct) 레이더 주행 거리 측정법을 사용하는 방법에 대해 제안하며, PhaRaO로 명명하였다. 제안 된 방법은 데카르트 및 로그 폴라 (log-polar) 레이더 이미지에 FMT를 적용하여 회전 및 평행 이동을 순차적으로 추정한다. 또한 실시간 성능을 달성하기 위해 coarse-to-fine 방식으로 회전 및 이동 추정을 분리한다. 제안 된 방법은 다양한 환경에서 얻은 대규모 레이더 데이터를 사용하여 성능 평가를 하였으며, 추정된 궤적은 주행 거리 측정 추정에 대해 평균 4km 경로 길이에 대해 2.34% (평행 이동) 및 2.93 degree (회전) 상대 오차를 보여주었다.
마지막으로, 직교로 구성된 2개의 차량용 레이더 센서를 합성하여 극한 환경에서의 3D 속도 추정을 위한 맞춤형 센서 시스템을 고안하였다. 제안 된 레이더 시스템은 가시 스펙트럼을 넘어 지각함으로써 환경의 구조와 관계없이 모든 가시성 조건 내에서 속도를 측정할 수 있다. 또한 자세 그래프 (pose-graph) SLAM 프레임 워크를 위한 새로운 레이더 순간 속도 팩터 (factor)를 도입하고 IMU와의 통합을 통해 3D 에고 모션 (ego-motion)을 해결한다. 검증 결과, 제안 된 방법은 환경의 가시성 및 구조성에 관계없이 실내 외에서 일반적인 3D 모션을 추정하는 데 적용될 수 있음을 보여주었다. 추가적으로 이러한 결과를 사용하여 비구조적 환경에서도 동작하는 레이더-LiDAR 융합 (fusion) SLAM에 대해서도 연구하였다. 레이더 센서에서 얻은 3D 에고 모션을 초기 값으로 사용하여 LiDAR 지도화를 수행함에 따라 성능을 높였으며, 누적 (drift) 오차를 보정하기 위해 loop closing을 사용하였다. 제안 된 방법은 large scale의 비구조적 환경에서도 누적 오차를 최소화 한 지도 및 경로를 생성할 수 있음을 보여주었다.
