论文阅读《RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving》(ICRA 2021)

2023-09-23

《RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving》(ICRA 2021)

参考秦通知乎文章：https://zhuanlan.zhihu.com/p/382183817

视频：https://www.zhihu.com/zvideo/1389638431253868544

1 简介

不用高精地图行不行？RoadMap：自动驾驶轻量化视觉众包地图

2 要解决的问题

高精地图的限制：

  1. 制作成本高，需要专业人员
  2. 漫长的制作周期
  3. 实际场景常发生更新

长期以来（long term）基于传统外观方法（传统VSLAM）的问题：

  1. 光照变化（light）
  2. 视角变化（perspective）
  3. 时间变化（time changes）

思路：

  1. 随着AD的发展，量产车配备的传感器等设备越来越丰富，本文中涉及相机、IMU、轮速、RTK GNSS和4G、5G通信模块等
  2. 云端存储

GPS RTK GNSS

GPS：全球定位系统(Global Positioning System)，一种以人造地球卫星为基础的高精度无线电导航的定位系统

RTK：实时差分(Real-Time Kinematic)，基于GNSS的实时差分定位系统

GNSS:全球导航卫星系统（Global Navigation Satellite System）

GPS 是多个正在运行的全球导航卫星系统 (GNSS) 之一，包括俄罗斯的格洛纳斯 (GLONASS)、欧洲的伽利略 (Galileo) 和中国的北斗 (BeiDou)

实时运动定位 (RTK) 是一种测量应用，用于纠正当前卫星导航 (GNSS) 系统中的常见错误

3 Structure

image-60

camera-only method：

  1. PTAM
  2. SVO
  3. Lsd-slam
  4. Orb-slam2

visual-inertial：

  1. MSKF
  2. Vins-mono
  3. Keyframe-based
  4. On-manifold preintegration

ON-VEHICLE MAPPING

  1. Image Segmentation
    CNN-based，对front-view image进行分割
    image-61

  2. Inverse Perspective Transformation
    在车体坐标系下将semantic pixels通过IPM从图像平面映射到地面（ground plane），相机内参外参通过离线标定完成
    由于存在透视误差，场景越远越大误差，通过划定ROI（Region of Interest）区域解决，大小为车前12m×8m长方形
    假设地面水平，在车体坐标系下根据外参内参将像素投影到地平面（z = 0）

  3. Pose Graph Optimization
    RTK-GNSS能提供厘米级别精度定位，但在信号不好区域（如大楼遮挡）需要odometry
    里程计存在累计漂移，通过位姿图优化进行修正，node是车辆状态即位姿（position and orientation），edge是GNSS constraint 和 odom constraint
    image-62
    image-63

  4. Local Mapping
    通过optimized pose将车体坐标系下的坐标转换到世界坐标系下，由于分割噪声，分割结果可能不准确，方法为将地图分为多个栅格grid，分辨率为0.1×0.1×0.1m，计算每个grid的分数（counts）

ON-CLOUD MAPPING

  1. Map Merging / Updating
    云端上同样分割为grid，同样每个grid需要进行分数

  2. Map Compression
    根据轮廓（contour）进行压缩

USER-END LOCALIZATION

  1. Map Decompression
    用户下载到地图需要解压（decompression），通过contour points实现，从下图中看到解压缩效果较好
    image-64

  2. ICP Localization
    image-65

EXPERIMENTAL RESULTS

  1. Map Production
    平均压缩的语义地图 36KB/KM

  2. Localization Accuracy
    文中提出的方法和lidar-based进行对比，vision的精度更好
    image-66

4 与经典的方法有什么区别（值得学习的思路）

  1. 加入 Cloud Server
  2. 图像通过contour points进行压缩和恢复的思路
  3. 划分为grid并进行打分
  4. 图像划分ROI区域

5 改进思路

目前没有，看着较AVP-SLAM整体思路较为类似