发表机构
Hanoi University of Science and Technology（河内理工大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对毫米波雷达全局定位中描述符丢失空间结构的问题，提出ReRadar流程，利用可转向CNN提取旋转等变特征并聚合为旋转不变描述符，结合地标匹配估计3-DoF位姿，在多个数据集上达到高Recall@1。
AI 中文摘要
使用扫描毫米波雷达进行全局定位仍然具有挑战性，因为地点识别描述符常常丢弃了精确位姿检索所需的空间结构。我们提出了ReRadar，一种雷达全局定位流程，它利用可转向卷积神经网络提取旋转等变的中间特征，通过组池化和NetVLAD聚合形成旋转不变的描述符，并将描述符检索与基于地标的匹配相结合，以估计机器人的三自由度（3-DoF）位姿。在固定的数据库-查询评估中，带有目标数据集自适应的ReRadar在OORD Bellmouth上达到了99.37%的Recall@1，在Mulran DCC01上达到了91.44%的Recall@1和80.99%的F1_max，在降雪的Boreas序列上达到了99.38%的Recall@1。在没有目标数据集数据的情况下，跨数据集模型在OORD上达到了98.07%的Recall@1，与所评估的最先进方法表现相当。
英文摘要
Global localization with scanning millimeter-wave radar remains challenging because place-recognition descriptors often discard spatial structure needed for accurate pose retrieval. We present ReRadar, a radar global localization pipeline that extracts rotation-equivariant intermediate features using steerable convolutional neural networks, forms rotation-invariant descriptors through group pooling and NetVLAD aggregation, and combines descriptor retrieval with landmark-based matching to estimate the robot's three-degree-of-freedom (3-DoF) pose. Across fixed database-query evaluations, ReRadar with target-dataset adaptation achieves 99.37% Recall@1 on OORD Bellmouth, 91.44% Recall@1 with 80.99% F1_max on Mulran DCC01, and 99.38% Recall@1 on falling-snow Boreas sequence. Without target-dataset data, the cross-dataset model reaches 98.07% Recall@1 on OORD, performing comparably to the evaluated state-of-the-art methods.
Comments9 pages, 8 figures. Under review
