【论文笔记】A Survey on 3D LiDAR Localization for Autonomous Vehicles

【论文笔记】A Survey on 3D LiDAR Localization for Autonomous Vehicles

    ~~~          ~~~~     LiDAR 传感器正在成为实现自动驾驶汽车完全自主的最重要的传感器之一。 LiDAR 能够产生丰富、密集和精确的空间数据，这可以极大地帮助定位和跟踪移动的车辆。在本文中，我们回顾了自动驾驶汽车 3D LiDAR 定位的最新发现，并分析了每种方法获得的结果，以努力引导研究界走向似乎最有前途的道路。

自动驾驶汽车的 3D 激光雷达定位

基于 3D 配准的方法

    ~~~          ~~~~     在本节中，我们将回顾基于 3D 点云配准方法的 3D 定位方法。配准转换一对点云，以便将它们对齐在同一坐标系中，从而可以扣除两次扫描之间的转换。在 ADC 定位的背景下，可以通过两种方式使用配准：(1) 将传入扫描与预建点云图的部分组合以定位车辆，或 (2) 通过组合连续的 LiDAR 扫描以计算车辆的里程计。
　　3D 点云配准主要用于形状对齐和场景重建领域，其中迭代最近点 (ICP) 算法 [5]、[59] 是最受欢迎的算法之一。在 ICP 算法中，通过最小化两个点云点之间的误差度量来迭代优化源点云和目标点云之间的转换。开发了该算法的多种变体 [41]，例如：点对线 ICP [3]、点对平面 ICP [28] 和广义 ICP [45]。 ICP 算法多年来一直是解决点云配准任务的标准，并且设计了将它结合到定位管道中的方法，例如在 [34] 中，它结合了闭环机制和位姿图构建过程以减少连续注册的累积误差。最近在 [24] 中，提出了一种里程计管道，它集成了有关 LiDAR 传感器物理的知识，并使用新颖的下采样和点匹配拒绝方法改进了 ICP 算法：LiDAR 扫描的下采样是使用正态协方差滤波器完成的（ NCF) 只保留具有精确法线的点。另一方面，使用几何对应拒绝器实现匹配点时的异常值拒绝：通过利用 LiDAR 扫描的环形结构和先前计算的