【论文阅读】Review on 3D Lidar Localization for Autonomous Driving Cars

Review on 3D Lidar Localization for Autonomous Driving Cars

“LIDAR data, compared to other perception sensors, is the richest and most detailed in term of spacial information. This results in the LIDAR sensor being practically always more accurate when it comes to solving spatial based challenges such as localizing a vehicle.”
简单来说，就是3维的事情要做用3维的数据做。而且文中提到，激光雷达下降非常快。

由于激光雷达获取的点云数量庞大，所以使用点云做定位的方法主要围绕的是速度的提升。

使用点云的做定位的方法大致分为以下几类

基于配准的

最经典的就是ICP，在ICP的发展过程中，有许多改进版：point-to-line ICP，point-to-plane ICP，and Generalized ICP。考虑激光雷达的扫描特性，形成的是一个一个圆，使用Normal Covariance Filter做点云的降采样，用Geometric Correspondance Rejector做外点的剔除，可以使得ICP更好的在车载激光雷达中使用。

另一种超越ICP的方法则是NDT。

ICP和NDT的使用，在IMLS-SLAM中得到了一种非常经典的三步走范式：
1）将动态的点剔除
2）降采样
3）使用ICP或者NDT

另外一种预处理的方式是不直接使用点，而是提取一些特征，例如使用sufel或者Collar Line Segments。作者将这些还是归入基于配准的方法，是因为作者认为基于配准的方法是使用了点云中的全部点。

基于特征的

作者认为基于特征的方法是使用一部分点，而并非全局点。但考虑IMLS-SLAM中三步走的范式，可以发现，其实降采样也可以认为是一种提取特征点，只不过特征仍然只有3维坐标。

基于特征的方法是与2D中的类似，其实也可以做成三步走的范式，值得思考的是，其实这三步走的范式是IMLS-SLAM三步走中的概括：
1）选取特征点
2）提取特征
3）特征点匹配

那么在以上三步中，其实每一步都可以做一些改动，例如如何选取鲁邦的特征点，如何提取特征点的局部特征，如何更快速的进行特征点匹配。

基于神经网络的

基于神经网络的方法也分为两种，一种是端到端的处理，一种只是用神经网络做一部分。

端到端的，就是使用两帧点云作为神经网络的输入，然后输出就是两帧点云之间的相对变换。其中的方法包括，将点云投影到全景深度图，也可以在点云上直接做。

用神经网络做一部分，可以再回到三步走的范式：
1）用神经网络选取特征点，例如SO-Net
2）用神经网络提取特征，例如使用AutoEncoder
3）用神经网络做匹配，这个好像还没见过

还有另外一些，使用RNN的等方法。