RoadMap: A Light-Weight Semantic Map翻译

前六节参考
从第六节起

VI 用户车端定位

用户车端是指装备低成本传感器（例如相机，低精度GPS，IMU和轮速计）的量产车辆。

地图解压

当最终用户接收到压缩后的地图时，语义地图将从轮廓点进行解压缩。在俯视图的图像平面中，我们用相同的语义标签填充轮廓内的点。然后将每个标记的像素从图像平面恢复到世界坐标系下。下图表示的是将压缩的语义地图解压

ICP重定位

此语义映射进一步用于重定位。类似建图过程，实时感知到的语义点从前视摄像头感知的图像分割、重投影、变换到汽车坐标系而来。然后通过感知到的点与地图匹配定位确定车辆当前位姿，如图7所示，白、黄点是来自地图的标记的车道线和路标，绿点是观察到的语义特征点。

估算采用ICP法，可以写成如下等式，

后端采用EKF方法，用来融合里程计和定位结果。EKF起到了增强定位结果的鲁棒性和平滑轨迹的作用。
（语义特征点是怎么匹配的？ TODO）

VII 实验结果

我们通过真实世界的实验验证了所提出的语义图。第一个实验的重点是建图能力。第二个实验的重点是定位准确性。

A 建图

配备RTK-GPS，前视摄像头、IMU和车轮编码器的车辆，用于地图制作。多辆车同时在市区运行。车辆地图通过网络上传到云服务器。最终的语义地图如图8所示。该地图覆盖了浦东新区的一个城市街区，

我们将语义地图与谷歌地图对齐。该区域路网总长度为22公里。 原始语义图的总大小为 16.7 MB。压缩语义图的大小为 0.786 MB。压缩语义图的平均大小为 36kb/公里。在图 9 中显示了地图更新进度的详细示例，并在该区域重新绘制了车道线。 图 9(a)显示了原来的车道线。 图 9(b) 显示了车道线重绘之后。 重绘区域在红色圆圈。 图 9© 显示了原始语义图。 如图。图 9(d) 显示语义图正在更新。 新车道线路逐渐取代旧线路。 随着合并更多和更多最新数据，更新了语义图完全，如图9(e)所示。

定位精确性

在这一部分中，我们评估了度量定位精度与基于激光雷达的方法相比。 车辆配备摄像头、激光雷达和 RTK GPS。 RTK GPS的结果被视为真值。 前一个实验中生成的语义地图在定位中使用，车辆在同一城市区域中行驶。

对于自动驾驶任务，我们专注于x、y坐标位置和航偏角（yaw） 。 与激光雷达相比的详细结果是如图 10 和表 I 所示。 可以看出，提议的基于视觉的定位优于基于激光雷达的定位方案。

结果与展望

在本文中，我们提出了一种新颖的语义定位系统，充分利用传感器丰富的车辆（例如Robot-taxi）使低成本生产汽车受益。 这整个框架由车载测绘、云端更新和用户端本地化程序。 我们强调它是一个可靠且实用的本地化自动驾驶解决方案。
所提出的系统利用了标记路面。 事实上，3D空间中更多的交通元素可以用于定位，如红绿灯、交通标志、和电线杆。 未来，我们将扩展更多的 3D 语义地图中的特征。