Radar Odometry Subject to High Tilt Dynamics of Subarctic Environments

Título: Odometria de Radar Sujeita a Dinâmicas de Inclinação Elevada em Ambientes Subárticos

1. Problema e Motivação

A odometria baseada em radares de Onda Contínua Modulada em Frequência (FMCW) rotativos tem avançado significativamente, alcançando desempenho comparável ao de LiDAR em ambientes urbanos e de mineração planos. No entanto, a maioria dos métodos existentes assume condições de terreno plano e não lida adequadamente com ambientes dinâmicos complexos, como os encontrados em regiões subárticas.

O problema central abordado neste trabalho é a degradação do desempenho dos algoritmos de odometria de radar quando submetidos a variações extremas de atitude do veículo (pitch e roll). Em cenários subárticos, o terreno irregular pode causar mudanças de pitch de até 13° e roll de 4° entre varreduras consecutivas, com valores absolutos atingindo 30° e 8°, respectivamente. Essas dinâmicas causam:

• Falhas na associação de dados (data association) devido à alteração da geometria observada entre varreduras.
• Degradação dos priores de orientação (heading), especialmente em métodos que assumem apenas rotação em torno do eixo vertical (yaw).
• Falhas na estimativa de estado em métodos que dependem de características de terreno estáveis.

2. Metodologia Proposta

Os autores propõem um novo método de Odometria Radar-Inercial projetado especificamente para manter a robustez em ambientes de alta complexidade dinâmica. O pipeline (ilustrado na Figura 2 do artigo) integra dados de radar e IMU (Unidade de Medição Inercial) da seguinte forma:

• Fusão Radar-IMU e Filtro de Orientação:

  • Dados do IMU (aceleração linear e velocidade angular) são processados a 200 Hz através de um filtro de Madgwick para estimar a orientação 3D do veículo ($q \in \mathbb{H}$).
  • A orientação estimada no início da varredura de radar é utilizada para buscar correspondências em submapas passados.

• Busca de Submapa com Compensação de Inclinação (Tilt-Proximity Search):

  • Ao invés de buscar apenas pelo submapa espacialmente mais próximo, o sistema busca submapas que estejam dentro de uma janela de distância e, crucialmente, dentro de um limiar de diferença de inclinação (pitch e roll). Isso garante que a referência usada para registro seja geometricamente compatível com a atitude atual do veículo.

• Filtragem de Pontos Baseada em Inclinação (Tilt-Based Filtering):

  • Após a extração de características (método $k$-strongest) e a compensação de movimento (deskewing), aplica-se um filtro rigoroso.
  • Calcula-se a distância vertical ($\Delta d$) entre cada ponto da nuvem e um eixo de rotação estimado baseado na orientação relativa.
  • Os pontos são ponderados usando uma função de Cauchy. Um limiar rígido remove todos os pontos que estão muito distantes do eixo de rotação estimado, eliminando ruídos causados por superfícies não planas ou reflexos espúrios em terrenos íngremes.

• Registro e Atualização:

  • A nuvem de pontos filtrada é registrada contra o submapa de referência utilizando o algoritmo ICP (Iterative Closest Point) ponto-a-ponto.
  • O sistema utiliza um modelo de velocidade constante e o ângulo de yaw estimado como prior para a próxima busca de submapa e registro.

3. Principais Contribuições

1. Método de Odometria Radar-Inercial com Busca por Proximidade de Inclinação: Uma abordagem inovadora que seleciona mapas de referência com base na compatibilidade de atitude (pitch/roll), não apenas na proximidade espacial.
2. Filtro de Limiar Rígido Baseado em Função de Cauchy: Um mecanismo de filtragem que descarta pontos de radar que violam a geometria esperada de um eixo de rotação, aumentando a robustez contra ruídos em terrenos dinâmicos.
3. Benchmarks em Condições Extremas: Avaliação rigorosa de quatro métodos (o proposto, CFEAR, ORORA e RT&R) no conjunto de dados Forêt Montmorency (FoMo), que inclui trajetórias urbanas planas e loops dinâmicos de 2 km com pedreiras, florestas e neve profunda.

4. Resultados Experimentais

Os testes foram realizados em dois cenários: um circuito urbano curto (300m, terreno plano) e um loop dinâmico longo (2km, terreno acidentado, neve e inclinações acentuadas).

• Desempenho Geral: O método proposto alcançou o estado da arte (SOTA) no cenário urbano e superou todos os outros métodos no cenário dinâmico subártico.
• Erro de Tradução Relativa (RTE):
  • No loop dinâmico, o método proposto obteve um erro mediano de 2,8%, uma melhoria de 0,3% sobre o segundo melhor método (CFEAR, que teve 3,1%).
  • Métodos concorrentes como RT&R falharam em 2 de 9 execuções no loop dinâmico devido à sua dependência exclusiva da velocidade angular do eixo Z (yaw) do IMU, o que é insuficiente quando há grandes variações de pitch e roll.
  • ORORA apresentou erros de estimativa de direção (heading) em ambos os experimentos.
• Cenários Específicos: Em uma seção crítica de 200m com descida íngreme, travessia de um vale (ditch) e deslizamento lateral (slip), o método proposto demonstrou menor desvio e melhor recuperação de orientação em comparação aos concorrentes, embora todos os métodos ainda apresentem ruído de alta frequência e saltos descontínuos na pose estimada.

5. Significado e Conclusão

Este trabalho demonstra que a odometria de radar pode ser robusta em ambientes subárticos extremos, desde que se considerem explicitamente as dinâmicas de inclinação do veículo. A principal lição é que assumir um terreno plano ou ignorar variações de pitch/roll leva a falhas catastróficas em métodos de estado da arte atuais.

A metodologia proposta oferece uma solução viável para veículos autônomos operando em minas, regiões polares ou terrenos off-road irregulares, onde sensores ópticos e LiDARs podem falhar devido a condições atmosféricas ou neve. O trabalho abre caminho para futuras pesquisas focadas na integração de priores de translação e na expansão dos benchmarks para conjuntos de dados urbanos em larga escala, validando a robustez do framework em diversas condições.