基于高清地图的定位是高清地图的主要作用，而定位本身是不会局于此的，实际上自动驾驶的定位也会采用感测器融合的思路，即采用GPS/DGPS（比如RTK），IMU，摄像头，激光雷达加高清地图的组合。

GPS定位是经典的方法，因为精度低就有了差分GPS即DGPS，比如RTK技术。国内千寻网路背靠中国兵器工业集团和阿里巴巴集团两个大公司，提供这方面的服务。具体技术如何，精度怎样，服务怎样，自己谷歌吧。

激光雷达点云数据做定位的方法，ICP肯定不行，计算量太大。大家熟悉的常用演算法，有NDT（normal distributions transform），斯坦福大学的histogram filter 和particle filter之类。要求车载有激光雷达，实时采集现场点云数据。当然，也有压缩点云数据的快速匹配定位方法，比如TomTom的RoadDNA，Civil Maps的Fingerprint Map，定位难度和精度上会有所折衷。

IMU是可以定位的，只是它的原理来自于积分，累计误差大，一般和GPS或者激光雷达/摄像头联合使用。

摄像头定位是视觉SLAM采用的，以前有Image-based Re-localization课题，用于SLAM的loop closure检测，tracking failure恢复等等。不管是稀疏法还是致密法，或者半致密法，都有不少的研究论文可以查到。

不过，在这里我是继续上一个话题，即基于车道线的制图技术，通过一些论文讨论如何应用车道线对车辆定位的方法。

注：车道线检测这个题目太大，在此忽略，以后再总结。

Fast Symbolic Road Marking and Stop-line Detection for Vehicle Localization

Symbolic Road Marking （SRM）包括下图的9个种类，加上停车线，共10种路标可以用来做定位。

下图是SRM产生候选的流程：

而这里是停车线检测的流程：

Vehicle Localization using Road Markings

这里路标包括箭头，斑马线和限速。下图是如何检测路标的：从左到右是原始图像，校准的IPM，ROI检测和FAST特征。

下图是：路标重复检测，连续帧结果逐行显示，即帧#，原始图像，IPM，车辆位置。蓝十字标记估计位置，粉色表示GPS位置，还有道路线GPS位置是红色。

姿态估计中PNP演算法比IPM差。下图是路标的两个例子：显示提取的角点（红色）。实际上这些角点带有GPS位置信息，被存入地图的资料库。

Lane marking aided vehicle localization

这里讨论了车道线导航地图和定位的问题。作导航地图的数据采集车需要安装摄像头，GPS，甚至激光雷达和雷达来收集数据。车道线是以clothoides表示，提取的车道线必须精确的定位，比如RTK-GPS，下面给出车的照片：

这是车身坐标系表示：其中AB是检测的车道线段。

要获取车道线摄像头坐标系位置，首先需要考虑摄像头标定的参数变化，如图是遇到bumper的情况：

车道线地图的表示如下图：

卡尔曼滤波器作为定位框架，利用GPS，车道线信息，如下图：

其中地图匹配需要GPS定位加上道路网路的中线定位信息。

Light-weight Localization for Vehicles using Road Markings

定位有两个模式：建图模式，GPS用来测量探查路标，然后把它们加入「轻量」地图或者资料库；定位模式，路标检测并在地图查找，加上VO实现准确定位。将路标地图和特征地图结合可以避免路标轨迹「飘」的问题。

下图是路标检测：输入图像 (a) IPM (b) MSER 区域 (c) FAST角点检测识别路标(d)

做图时，采用高准确度GPS和高级IMU，实现小于20cm 的位置精度，还有0.5度的旋转角精度。系统采用立体视觉做VO，依此定位。如果单目，采用ground truth确定scale值。

Monocular Localization in Urban Environments using Road Markings

下图是介绍地图元素的说明，用于定位。

下图是定位的流程图：

其中采用Chamfer matching做路标线段的校准。另外，VO和外极线（epipolar）约束做优化目标。

Detecting Symbols on Road Surface for Mapping and Localization using OCR

讨论了单目和双目的情况，单目借用消失点几何约束，双目会做3-D重建。

下面就是一些路标的检测例子：

Landmark based localization : LBA refinement using MCMC-optimized projections of road marks

定位设备包括一个普通GPS加一个摄像头。Local bundle adjustment (LBA) 估计车辆轨迹。RJMCMC（Reversible-Jump Markov Chain Monte Carlo）加模拟退火演算法做路标的检测。下图是路标的模版：

下图是LBP的流程：

姿态估计结果的比较见下面两个图：GPS做初始化。

LaneLoc: Lane Marking based Localization using Highly Accurate Maps

还有GNSS和激光雷达，当然GNSS做初始化而已。下图是地图数据投影到图像平面的例子：

车载制图设备如下所示：

这是激光雷达（左）和摄像头（有）的数据例子：路边界和车道线清晰可见。

下图是制图过程：

采用双目和GPS-IMU：

而定位在卡尔曼滤波器框架下，车道线和路边数据作为观测向量。下图是车道线检测和地图匹配的结果：

而这个是路边界识别的结果：

Real-time global localization of robotic cars in lane level via lane marking detection and shape registration

采用车道线检测和GPS提供的道路形状匹配做实时定位，系统框图如下：

IPM的结果：

这里给出一些失败例子（红圈标记）：

道路形状的校准例子：

下图是定位的演算法流程图：

A Low Cost Sensors Approach for Accurate Vehicle Localization and Autonomous Driving Application

采用了后视摄像头：back lane mark registry (BLMR) 。

首先看制图和定位的整个流程：

特意用BLMR做定位：

这是车道线检测方法框图：

下图是车身姿态估计方法框图：

Map-relative Localization in Lane-Level Maps for ADAS and Autonomous Driving

这是整个系统的框图：

下面是基于车道中线在卡尔曼滤波器框架的车身姿态估计框图：

A Framework for Global Vehicle Localization Using Stereo Images and Satellite and Road Maps

采用双目视觉系统，卫星图像和道路地图做定位，系统框架如下：

这个是各个感测器数据的设置图：

LaneSLAM - Simultaneous Pose and Lane Estimation Using Maps with Lane-Level Accuracy

下图是一个典型的定位场景：车道卫星图像加上定位（蓝圆区域），前向摄像头图像和车道观测。

文中采用Loopy Belief Propagation求解一个factor graph问题，Message passing是实际的迭代演算法。

Road-SLAM : Road Marking based SLAM with Lane-level Accuracy

采用的设备如下：RTK GPS只做初始化用处。

主要观测是路标，需要做图像分割和分类，如下系统工作的直观图可见：

而这个演算法的流程图如下：路标图像会转换到路面即IPM，路标分割和识别（演算法采用random forest）还有定位（ICP）都在路面空间做，最后在pose graph优化（iSAM演算法）。

----------结束-----------


推荐阅读：
相关文章