RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving
Qin T, Zheng Y, Chen T, et al. RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving[J]. arXiv preprint arXiv:2106.02527, 2021. ICRA 2021
单位:华为
针对问题:
针对基于视觉的众包高精度地图构建以及动态更新的需求
提出方法:
文章提出了一套基于视觉的众包建图系统框架,多个建图车辆本地端建图,并传输到云端融合,能够对高精度地图进行较为方便且有效的地图更新。
达到效果:
文章在作者录制的数据集中实现了城市大场景范围内的快速建图及动态更新,并基于此高精地图实现精确鲁棒的定位效果。
存在问题:
文章所构建的高精度地图在实现定位过程中仍采用了ICP加滤波融合的方式,对于分割结果和测距性能的限制,建图过程中的重影问题仍需进行后续调整,同样场景中的三维标识未能加以建图及利用。
Abstract
精确的定位对于自主驾驶任务来说是至关重要的。如今,我们已经看到很多传感器丰富的车辆(如机器人出租车)在街上自主行驶,它们依赖于高精度的传感器(如激光雷达和RTK GPS)和高精度地图。然而,低成本的生产型汽车无法承担如此高的传感器和地图的费用。如何降低成本?传感器丰富的汽车如何使低成本的汽车受益?在本文中,我们提出了一个轻量级的定位解决方案,它依赖于低成本的相机和紧凑的视觉语义地图。该地图很容易由传感器丰富的车辆以众包的方式产生和更新。具体来说,该地图由几个语义元素组成,如车道线、人行横道、地面标志和路面上的停车线。我们介绍了车载地图、云上维护和用户端定位的整个框架。地图数据是在车辆上收集和预处理的。然后,众包的数据被上传到云服务器。来自多个车辆的海量数据在云端被合并,以便及时更新语义地图。最后,语义地图被压缩并分发到生产汽车上,这些汽车使用该地图进行定位。我们在现实世界的实验中验证了所提出的地图的性能,并将其与其他算法进行比较。语义地图的平均大小为36kb/km。我们强调,这个框架是一个可靠和实用的自主驾驶的定位解决方案。
Main contributions:
我们提出了一个新颖的框