Monocular Localization in HD Maps by Combining Semantic Segmentation and Distance Transform

一、主要贡献和创新点

1. 使用语义分割提供稠密的观测；

2. 使用Distance Transform 解决数据关联问题，且使得匹配过程比较动态；

3. 用位姿图优化，提高位姿精度；

二、精度

场景1：Karlsruhe， 由第三方提供Lanlet2格式的高精地图， 元素中没有路沿

场景2：Ludwigsburg，由开源方法自制地图， 元素中没有交通灯

两个场景中的交通标识都比较少

在转弯和十字路口的时候，纵向精度变好，但是横向精度和yaw角之后会变坏；

横向或者up的误差在10cm这个量级，纵向误差接近1m

yaw, pitch的误差在0.3°以内，roll的误差接近1°

三、实现

3.1 Distance Transformation

以分割的mask为基准，距离mask越远，Distance越大；

3.2语义定位

地图元素点投影到Distance Image上后，投影位置的值作为残差，用Tukey's biweight loss 抑制outlier造成的过大残差；

Tukey's biweight loss：https://statisticaloddsandends.wordpress.com/2021/04/23/what-is-the-tukey-loss-function/#:~:text=The%20Tukey%20loss%20function%2C%20also%20known%20as%20Tukey%E2%80%99s,that%20it%20demonstrates%20quadratic%20behavior%20near%20the%20origin.

3.3位姿图优化

对最新的20frames用位姿图优化（x, y, theta），每个位姿之间的约束来自车辆里程计；

车辆里程计提供x,y 平面的速度和yaw角的转动，依照CRTV运动模型通过积分得到每个位姿之间的约束：

四、重要的参考文献

Comparison and evaluation of advanced motion models for vehicle tracking