论文解读｜AutoPlace Robust Place Recognition with Single-chip Automotive Radar

AutoPlace: Robust Place Recognition with Single-chip Automotive Radar

Author: Kaiwen Cai†, Bing Wang§, Chris Xiaoxuan Lu

The proposed AutoPlace consistently outperforms a variety of competing approaches on the public nuScenes dataset [20], with code avaliable at: https: //github.com/ramdrop/AutoPlace.

1 核心idea

1.1 剔除运动目标点

因为目标任务说识别场景，所以需要将运动目标剔除（噪声点）。而radar点云的一大好处就是可以携带径向速度信息（目标到自车的连线方向）。

从公式出发，设自车速度为$v_s$，被观测点$i$的径向速度为$v_{r,i}$，那么可以用下式描述：

					$v_{r,i} = -v_scos(\alpha-\theta_i)$

首先分两种情况：

• 自车在当前场景是运动的状态

  自车运动时，那么静止点也会具有一定的径向速度（相对运动），但是运动目标的径向速度并不是由自车提供的，所以可能与上式计算的结果有出入，这时运动目标就相当于离群值检测出来了

• 自车在当前场景是非运动的状态

  自车在静止状态时，我们无法直接从当前信息中得到自车是运动还是静止，但是通过接受检测信息可以推断：如果大多数点（来自路面环境的静止点）的径向速度为0，那么自车大概率是静止的。同时通过这一信息也可以推断，径向速度非0的少数点应该来自于静止目标。

基于上述通过常识理论的讨论，作者们提出了一个DPR（Dynamic Points Removal）算法来找到运动目标的检测点以供后续剔除：

1.2 特征编码与暂时编码相结合

空间编码：传统2D图像编码

作者将点云转换为了bev图片，采取的方法是给含有点云的pixel赋值为1，否则值为0。空间编码的详细网络结构为虚线图内所示

暂时编码：解决不一致性

因为自车的移动关系，会出现有些点在后续的时间帧中丢失，也就是说在连续帧之间存在不一致性，所以以时间序列的形式作为输入，可以对这种不一致性做一个平滑。

因此在空间编码后接单层的LSTM，得到最终结果

损失函数

引用了NetVLAD的triplet loss function

L = ∑ k m a x { d E ( f ( q ) , f ( p ) ) − d E ( f ( q ) , f ( n k ) ) + m , 0 } L= ∑_k max\{d_E(f (q), f (p)) − d_E(f (q), f (n^k)) + m, 0\} L=∑k​max{ dE​(f(q),f(p))−dE​(f(q),f(nk))+m,0}

$p，q$分别为最匹配的sample和query sample，算得是欧氏距离

1.3 利用RCS相似度

RCS介绍

RCS是目标的反射特性，受目标的材料，大小和反射角度的影响。本文进一步利用了RCS来提升网络特性。

地理位置接近的地方应该有相似的RCS直方图，且不受天气和照明条件的影响。因此文中用两个目标（场景）之间的RCS直方图进一步提升了场景之间的对比

计算

损失函数：

$k$ 是直方图bin的下标

整个网络的loss函数改写为：

效果： 利用直方图，重新排列后的candidate中最佳匹配的样本得到了top-1的结果