经典文献阅读之--LESS-Map(长期定位轻量级和逐渐演进的语义地图方案)

本文主要是介绍经典文献阅读之--LESS-Map(长期定位轻量级和逐渐演进的语义地图方案)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

0. 简介

精确且长期稳定的定位对于停车场内的行车任务，如自动驾驶或自动代客泊车等，至关重要。现有方法依赖于固定且内存效率低下的地图，缺乏强大的数据关联方法，不适用于精确的定位或长期地图维护。《LESS-Map: Lightweight and Evolving Semantic Map in Parking Lots for Long-term Self-Localization》一文提出了一种基于地面语义特征、利用低成本摄像头的新型地图制作、定位和地图更新系统，提出了一种精确且轻量级的参数化方法，用于建立改进的数据关联，实现厘米级别的精确定位。此外还提出了一种新颖的地图更新方法，通过对参数化的语义特征实现高质量的数据关联，允许在重新定位过程中进行连续地图更新和细化，同时保持厘米级别的准确性。

1. 主要贡献

现有方法缺乏对地面语义信息的强大参数化，导致在制图和定位过程中缺乏强大的数据关联，这个不足会对定位的准确性产生不利影响，同时对地图的长期更新能力有所限制。因此，在这项工作中，我们提出了一种用于地面语义特征的准确且轻量级的参数化方法，以帮助提高制图和定位的准确性和效率。此外提出了一种新颖的地图更新方法，允许在重新定位过程中进行连续地图更新和细化，同时保持厘米级别的准确性。本工作的贡献总结如下：

1. 提出了一种用于地面语义特征的新型参数化方法，以实现更高效的位姿估计和更强大的数据关联。

2. 提出了一种轻量级的地图维护方法，可以通过后续车辆的定位结果进行更新，实现厘米级别的定位精度。

3. 提供了一个完整而实用的地图制作、定位和地图更新流程，通过实际实验在室外和室内场景中表现出可靠性。

2. 系统概述

我们利用四个环视鱼眼摄像头、惯性测量单元（IMU）和轮子编码器来捕捉周围环境并估计车辆的轨迹。所提出的算法包括两个主要组成部分：建图和定位，如图2所示。

图2. 提出算法的概述。我们利用四个周围摄像头提取准确的参数化地面特征。系统主要分为两个部分。第一个（左侧）部分是建图部分，当首次访问环境时，它创建一个全局地图。第二个（右侧）部分是定位和地图更新部分，它进行定位并使用新捕获的环境数据更新先前的地图。

建图：当车辆首次进入环境时，一个基本任务是构建一个全局地图，作为后续定位和地图更新的基础。我们从环视摄像头中提取地面语义特征，并将其投影到三维空间中。通过估计这些观测的不确定性来增强地图融合。然后，我们使用第III-C节中详细介绍的方法对这些特征进行参数化。结果，全局地图通过姿态估计和闭环的精化而生成。

定位和地图更新：在构建全局地图之后，当车辆返回环境时，可以利用新捕获的环境数据进行定位和地图更新。考虑到环境的动态性和可能进入未映射区域的可能性，我们构建了一个因子图来融合里程计和定位结果，得到一个经过微调的全局轨迹和一个新生成的地图。然后，新生成的地图与现有地图无缝合并，确保地图更新过程的稳健性和一致性。

3. 义分割和云投影

我们采用一个强大的分割网络[23]，从原始的鱼眼图像中有效地检测地面、车道线和道路标记。在语义分割之后，我们将鱼眼图像转换为车辆坐标系内的语义点云。这个转换过程包括对鱼眼图像进行去畸变处理和执行逆透视映射（IPM）[24]。
鱼眼相机使用实用的鱼眼相机模型[25]进行建模，该模型将相机的投影模型表示如下：

在图像中，$u$和$v$是像素坐标，$u_c$和$v_c$是以相机光轴为原点的像素坐标，$u_0$和$v_0$是像素坐标系中光轴中心的坐标，$\lambda$是一个比例因子，$d(\rho )$表示畸变多项式$d(\rho )=a_0+a_2{\rho }^2+a_3{\rho }^3+a_4{\rho }^4$，$S$是拉伸矩阵。因此，与鱼眼图像中像素坐标$u$、$v$对应的无畸变坐标$u^{\prime }$、$v^{\prime }$可以表示为：

…详情请参照古月居

这篇关于经典文献阅读之--LESS-Map(长期定位轻量级和逐渐演进的语义地图方案)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---