Localization Based on Semantic Map and Visual Inertial Odometry（ICPR2018）
感知结果建立先验地图（ICP+GPS），基于VINS-MONO框架，融入GPS，用每帧2D的感知结果去3D的地图里面作匹配，通过语义约束重投影误差的设计，优化位姿。
2D车道线：拟合为曲线
3D车道线：
交通标志：
三角形标志保存三个点的坐标
矩形标志保存为四个点坐标
圆形标志保存为圆心坐标和半径
灯杆：一条直线的起始坐标
以GPS的global pose为初值，确定搜索半径，在范围内获得候选3D坐标，将3D landmark重投影到当前相机坐标，根据语义标签类别的不同定义重投影误差，确定匹配关系后，继续跟踪这对2D-3D匹配，出现了不止一次，就认为是可用的约束
由于车道线和灯杆容易误匹配，特征不足，主要以标志2D-3D匹配进行初始化，初始化的匹配方式是按照面积选最合适的一堆标志，再在候选中找error最小的
由于匹配比较稀疏，会在多帧之后才初始化完成，采用这个约束来优化
重投影误差定义：
车道线：3D点到2D曲线的距离，以x方向差为距离
标志
圆形标志以圆心距离为误差
灯牌：
Monocular Localization in Urban Environments using Road Markings
先验全局地图，由雷达产生，手动的标注landmarks，只用实线和虚线的信息来表示，单帧提取时只选用长80m内、宽15m内的标志边缘线来做匹配，优化部分主要是倒角匹配、对极约束、里程计三个约束构成。
倒角匹配：所有候选3D车道线投影到当前图片上，计算其与边缘线图片的倒角匹配
对极约束：前后帧之前与同一3D点匹配上的视为匹配对，构成五自由度的对极约束（单目尺度问题）
里程计约束：平移方向变化量
初始化：先用里程计的值及附近随机抽取候选点云，使三个约束的cost function最小的候选pose作为初始化的值，每当倒角匹配的距离过大的时候就重新初始化
AVP-SLAM
语义先验地图中有停车线、减速带、箭头
四相机环视+imu+编码器
每帧都有3D局部地图，前后帧之间3D-3D ICP匹配，约束有两个:1.相邻帧之间的约束，优化局部里程计，2.与全局地图的回环检测，优化全局里程计，计算投影误差
初始化：停车场的入口标记在地图上，或者进入停车场之前的GPS作为初始值
过于异常无纹理的地方，用EKF使轨迹平滑
Road-SLAM : Road marking based SLAM with lane-level accuracy(IV2017)
考虑语义地图的误差，双目提取感知结果，结合imu和编码器建全局地图，单帧一旦检测到标识就建出sub-map和全局地图做3D-3D的匹配，也是根据初始定位有一个搜索范围，用ICP匹配，计算车辆在两图的相对位置，如果发现回环，会优化整个地图。
运用的语义标志：虚线车道、地上的箭头、标识、数字