(2020.01) Monocular localization with Vector HD Map (MLVHM): A Low-Cost Method for Commercial IVs

这是一篇清华大学2020年发表在sensors上的工作，20多页比较详细；

paper链接：https://www.mdpi.com/1424-8220/20/7/1870

一、目的和创新点

1. 通过单目提取语义特征和矢量高精地图对齐， 低成本实现智能驾驶的定位需求(vo+矢量高精地图纠偏)；

2. 对于特征稀疏的场景， 提出和验证了一种基于滑动窗口的帧到帧的运动融合方案，提高了定位稳定性并兼顾实时性；

3. 通过仿真数据和实际数据对提出的方案进行了验证；

二、精度和速度

真实场景主要是两个，一个校园内场景，含一个直角转弯；一个校外场景，是一条直道；

gt是lidar定位方法给出的轨迹, 可以看到百米级别translation的精度在0.5m以内，且没有累积误差；

E5-2620 v4+1080ti上， 增加frame to frame fusion后， delay大约是0.059s

三、实现

3.1 系统概览

可以理解为基于地图的定位以一个较低的帧率（~2Hz），矫正VO（~20Hz）的漂移，既保证精度，又保证速度；

VO同时为基于地图的定位提供初值。

3.2 基于地图的定位

3.2.1 数据关联策略和优化目标函数

基于地图的定位还是典型的匹配+优化的两步：

1. 数据关联采取了ransac的策略， 我理解应该是一个二分匹配+ransac筛除outlier的过程：

• 产生一组初始关联c0

• 多次从c0随机选取3个线特征的关联，并基于这3个线特征计算优化后的位姿x*

• 如果x*距离初始位姿比较近，则基于x*产生一组c*加入候选集合C{c*1, c*2, ...}

• 选C中匹配数目最多的一组作为最终的关联

2. 优化的目标函数是线特征和点特征的重投影误差， 其中线特征的重投影误差是地图上控制点投影到图片上以后，和图片上检测出来的线的距离；点特征的重投影误差就是简单的投影点到检测点的距离；

3.2.2 融合帧到帧运动信息（个人理解）

1. 以当前帧为基准，向前取M帧，以最旧的一帧作为基准C0，可以计算这M帧相对C0的旋转和平移；

2. 地图定位有滞后，M帧中只有N帧（N<=M）有地图定位的结果，所以只能用这N帧来融合，优化的变量是C0相对地图坐标系的旋转，平移和尺度；

3. 基于优化后的C0的位姿和尺度， 得到当前的位姿；

3.3 实施

视觉特征：先做语义分割， 然后线特征用最小二乘法拟合，点特征用型心做控制点进行模板匹配；

地图：opendrive格式

优化器：LM

四、消融实验

4.1 精度

使用仿真数据进行精度测试，4个线特征能把精度提升到厘米级别：

五、重要参考文献

这篇文章是之前工作的升级版： (2018.05) Monocular Vehicle Self-localization method based on Compact Semantic Map