Троммер Герт Франц. Профессор, действительный член международной общественной организации «Академия навигации и управления движением».
Для навигации автономных роботов необходима робастная и точная система навигации, работающая в режиме реального времени. В таких сложных условиях, как пропадание сигналов глобальных навигационных спутниковых систем (ГНСС) и плохая видимость (темнота, туман, дым или прямой солнечный свет), методы на основе технического зрения не могут обеспечить надежную навигацию. В связи с этим возникает необходимость использовать инерциальные датчики и частотно-модулированные радары непрерывного излучения, не подверженные влиянию таких факторов. В работе предлагается система с несколькими одновременно работающими миллиметровыми радарами. Калибровка измерительного канала каждого радара производится в процессе решения задачи. На основе данных одного радиолокационного обзора (далее – скана) осуществляется совместная обработка измерений трехмерной собственной скорости и курсового угла, определяемого исходя из предположения о манхэттенской геометрии окружающего пространства. Представлен подробный анализ работы алгоритма по реальным данным. Показано, что алгоритм радиолокационной инерциальной одометрии (РИО) превосходит по качеству работы современный метод стереовизуальной инерциальной одометрии (ВИО), поскольку обеспечивает работу при плохой видимости и требует небольших вычислительных ресурсов.
A robust and accurate real-time navigation system is crucial for autonomous robotics. In particular, GNSS denied and poor visual conditions are still very challenging as vision based approaches tend to fail in darkness, direct sunlight, fog or smoke. Therefore, we are taking advantage of inertial data and FMCW radar sensors as both are not affected by such conditions. In this work, we propose a framework, which uses several 4D mm Wave radar sensors simultaneously. The extrinsic calibration of each radar sensor is estimated online. Based on a single radar scan, the 3D ego velocity and optionally yaw measurements based on Manhattan world assumptions are fused. An extensive evaluation with real world datasets is presented. We achieve even better accuracies than state of the art stereo Visual Inertial Odometry (VIO) while being able to cope with degraded visual conditions and requiring only very little computational resources.
The authors declare that there are no conflicts of interest present.