Abstract
提出一個輕量級定位方案, 基於便宜的相機和緊致的語義地圖:
- lane line
- crosswalk
- ground sign
- stop line
語義地圖的平均大小是: 36kb/km.
1. Introduction
量產車: production car
- 點雲地圖占太多memory了.
- HD map占用了太多人力, 很難保證及時的更新.
2. Literature Review
A. Traditional Visual SLAM
....
B. Road-based Localization
本文提出了在車建圖, 在雲端融合/更新.
3. System overview
需要傳感器:
- 前視相機,
- RTK-GPS
- IMU和輪速
車端建圖:
語義圖是在前視提取的, 建圖, 然后上傳雲端.
雲端建圖:
融合多趟建圖, 然后壓縮成contour extraction.
4. On-Vehicle Mapping
A. Image Segmentation
用了CNN方法, 類似[23, 24, 25]. 多累檢測, 地面, lane line, stop line, road marker, curb, vehicle, bike, human.
B. Inverse Perspective Transformation
因為透視的噪聲, 越遠的場景, 越大的誤差. 我們只選擇ROI, 接近相機中心的部分, 12mx8m.
假設地面是一個平面, 每個像素\([u, v]\)會被投影到地面(z=0):
\[\frac{1}{\lambda}\left[\begin{array}{c} x^{v} \\ y^{v} \\ 1 \end{array}\right]=\left[\mathbf{R}_{c} \mathbf{t}_{c}\right]_{\text {col }: 1,2,4}^{-1} \pi_{c}^{-1}\left(\left[\begin{array}{l} u \\ v \\ 1 \end{array}\right]\right) \]
這里 \(\pi_c(.)^{-1}\)是反投影. R, t外參. 只用1, 2, 4因為z=0.
C. Pose Graph Optimization
及時用了RTK-GNSS, 也不能保證位姿是一直可靠的, 因為它只能在空曠區域提供厘米級別的位置.
用pose graph來align里程計和GNSS.
\[\min _{\mathbf{s}_{0} \ldots \mathbf{s}_{n}}\left\{\sum_{i \in[1, n]}\left\|\mathbf{r}_{o}\left(\mathbf{s}_{i-1}, \mathbf{s}_{i}, \hat{\mathbf{m}}_{i-1, i}^{o}\right)\right\|_{\boldsymbol{\sigma}}^{2}+\sum_{i \in \mathcal{G}}\left\|\mathbf{r}_{g}\left(\mathbf{s}_{\mathbf{i}}, \hat{\mathbf{m}}_{i}^{g}\right)\right\|_{\boldsymbol{\sigma}}^{2}\right\} \]
D. Local Mapping
地圖分成 \(0.1\times 0.1 \times 0.1m\) 的grid, 包含位置, 語義信息, 記錄語義counter.
5. On-Cloud Mapping
A. Map Merging / Updating
根據位置, local map會被加入到grid map里. 詳見上圖.
B. Map Compression
6. User-End Localization
A. Map Decompression
恢復稠密點雲.
B. ICP Localization
\[\mathbf{q}^{*}, \mathbf{p}^{*}=\underset{\mathbf{q}, \mathbf{p}}{\arg \min } \sum_{k \in \mathcal{S}}\left\|\mathbf{R}(\mathbf{q})\left[\begin{array}{c} x_{k}^{v} \\ y_{k}^{v} \\ 0 \end{array}\right]+\mathbf{p}-\left[\begin{array}{c} x_{k}^{w} \\ y_{k}^{w} \\ z_{k}^{w} \end{array}\right]\right\|^{2} \]
7. Experimental Results
A. Map Production
需要RTK-GPS, 前視相機, IMU和輪速編碼器.
路算的總長是 22km, raw semantic map是16.7MB, 壓縮的是0.786MB, 平均大小是36KB/KM.
B. Localization Accuracy
我們用Lidar的方法來評測. 對於自動駕駛任務, 我們專注在x, y, yaw的精度.
8. Conclusion & Future Work
沒啥.