一、主要贡献和创新点
使用语义分割提供稠密的观测;
使用Distance Transform 解决数据关联问题,且使得匹配过程比较动态;
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
![](https://i-blog.csdnimg.cn/blog_migrate/e036a174191dec48714405676b6838d4.png)
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;
![](https://i-blog.csdnimg.cn/blog_migrate/f28c372f70905a0ee8848804bcbba0c7.png)
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
![](https://i-blog.csdnimg.cn/blog_migrate/66f78c6dfc3f9d30715aea3338f9228c.png)
3.1 Distance Transformation
![](https://i-blog.csdnimg.cn/blog_migrate/632819cff5735b593b3d82566fe66fcf.png)
以分割的mask为基准,距离mask越远,Distance越大;
3.2语义定位
![](https://i-blog.csdnimg.cn/blog_migrate/21dde8cb3488019430dcf5b1b4352d95.png)
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;
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:
![](https://i-blog.csdnimg.cn/blog_migrate/a3bc13c0e585689dd5eda1eebb9e5b0d.png)
四、重要的参考文献
Comparison and evaluation of advanced motion models for vehicle tracking