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