Abstract
提出一个轻量级定位方案, 基于便宜的相机和紧致的语义地图:
- lane line
- crosswalk
- ground sign
- stop line
语义地图的平均大小是: 36kb/km.
1. Introduction
量产车: production car
- 点云地图占太多memory了.
- HD map占用了太多人力, 很难保证及时的更新.
2. Literature Review
A. Traditional Visual SLAM
....
B. Road-based Localization
本文提出了在车建图, 在云端融合/更新.
3. System overview
需要传感器:
- 前视相机,
- RTK-GPS
- IMU和轮速
车端建图:
语义图是在前视提取的, 建图, 然后上传云端.
云端建图:
融合多趟建图, 然后压缩成contour extraction.
4. On-Vehicle Mapping
A. Image Segmentation
用了CNN方法, 类似[23, 24, 25]. 多累检测, 地面, lane line, stop line, road marker, curb, vehicle, bike, human.
B. Inverse Perspective Transformation
因为透视的噪声, 越远的场景, 越大的误差. 我们只选择ROI, 接近相机中心的部分, 12mx8m.
假设地面是一个平面, 每个像素([u, v])会被投影到地面(z=0):
[frac{1}{lambda}left[egin{array}{c}
x^{v} \
y^{v} \
1
end{array}
ight]=left[mathbf{R}_{c} mathbf{t}_{c}
ight]_{ ext {col }: 1,2,4}^{-1} pi_{c}^{-1}left(left[egin{array}{l}
u \
v \
1
end{array}
ight]
ight)
]
这里 (pi_c(.)^{-1})是反投影. R, t外参. 只用1, 2, 4因为z=0.
C. Pose Graph Optimization
及时用了RTK-GNSS, 也不能保证位姿是一直可靠的, 因为它只能在空旷区域提供厘米级别的位置.
用pose graph来align里程计和GNSS.
[min _{mathbf{s}_{0} ldots mathbf{s}_{n}}left{sum_{i in[1, n]}left|mathbf{r}_{o}left(mathbf{s}_{i-1}, mathbf{s}_{i}, hat{mathbf{m}}_{i-1, i}^{o}
ight)
ight|_{oldsymbol{sigma}}^{2}+sum_{i in mathcal{G}}left|mathbf{r}_{g}left(mathbf{s}_{mathbf{i}}, hat{mathbf{m}}_{i}^{g}
ight)
ight|_{oldsymbol{sigma}}^{2}
ight}
]
D. Local Mapping
地图分成 (0.1 imes 0.1 imes 0.1m) 的grid, 包含位置, 语义信息, 记录语义counter.
5. On-Cloud Mapping
A. Map Merging / Updating
根据位置, local map会被加入到grid map里. 详见上图.
B. Map Compression
6. User-End Localization
A. Map Decompression
恢复稠密点云.
B. ICP Localization
[mathbf{q}^{*}, mathbf{p}^{*}=underset{mathbf{q}, mathbf{p}}{arg min } sum_{k in mathcal{S}}left|mathbf{R}(mathbf{q})left[egin{array}{c}
x_{k}^{v} \
y_{k}^{v} \
0
end{array}
ight]+mathbf{p}-left[egin{array}{c}
x_{k}^{w} \
y_{k}^{w} \
z_{k}^{w}
end{array}
ight]
ight|^{2}
]
7. Experimental Results
A. Map Production
需要RTK-GPS, 前视相机, IMU和轮速编码器.
路算的总长是 22km, raw semantic map是16.7MB, 压缩的是0.786MB, 平均大小是36KB/KM.
B. Localization Accuracy
我们用Lidar的方法来评测. 对于自动驾驶任务, 我们专注在x, y, yaw的精度.
8. Conclusion & Future Work
没啥.