Visual Localization within LiDAR Maps for Automated Urban Driving 讲解

这篇Paper是由UM的两位所作，Ryan Wolcott和Ryan Eustice。基本可以确定是Ryan一个人写的代码、整套东西，比较Tenure很少自己写代码了。这篇Paper是iROS2014的best paper，所以还是具有很高的含金量的。

这篇Paper主要是提出了使用LiDAR map进行单目定位的方法，思想不是很复杂，但是从最后效果来看作者在加速方面花了不少心思。

整个算法流程如下：

• 建立地图：使用SLAM建立LIDAR的地图，保存为Meshgrid的三角地图；并且进行了mesh gird的聚类和高度裁剪；
• 在增量空间[x，y，z]里面进行暴力搜索，生成这个尺度下的synthetic image；
• 将synthetic image和mono image进行一个比较，使用NMI（normalized mutual information）的score，越大的越好；
• 使用IMU、轮子编码器、单目摄像头在KF框架中，更新定位结果

Synthetic image：是将LiDAR的点云根据当前预测pose映射到虚拟摄像头的图片上，使用的是LiDAR的intensity。

在算法加速方面，用了OpenGL、CUDA等。对camera的image进行homograph的旋转变化，这样就可以减少synthetic image的数量。

算法结果：对于阴影、些许障碍物有一定的容错性；但是在很少road marker的时候比较容易出错。进行滤波的后结果能够有接近LiDAR的定位精度，让人印象深刻。

目前该算法有以下假设：

• z = 0，对于z方向就是高度不做优化
• 初始pose已知，比如通过GPS得到
• 要更好的结果，最好是加滤波框架，否则错误的距离可以在1.5m左右
• 采用了32线的LiDAR

转载请注明出处： https://blog.csdn.net/c602273091/article/details/88884658