【论文笔记】New Monte Carlo Localization Using DeepInitialization: A Three-Dimensional LiDARand a Camera F

【论文笔记】New Monte Carlo Localization Using DeepInitialization: A Three-Dimensional LiDARand a Camera Fusion Approach

    ~~~          ~~~~     在室内环境和 GPS 阴影区域中，通常需要对自主地面车辆进行快速准确的全球定位。通常，对于全局定位问题，需要长时间观察整个环境才能收敛。为了克服这个限制，提出了一种称为深度初始化的新初始化方法，并将其应用于蒙特卡洛定位（MCL）。所提出的方法基于三维 (3D) 光检测和测距 (LiDAR) 与相机的组合。使用相机，进行基于深度卷积神经网络 (CNN) 的姿态回归以初始化 MCL 的粒子。粒子从切线空间采样到刚性运动群的流形结构。使用 3D LiDAR 作为传感器，应用粒子滤波器来估计传感器姿态。此外，我们提出了一种重新定位方法，用于在检测到定位失败或机器人绑架情况时执行初始化。通过组合来自相机和 3D LiDAR 的输出来检测定位失败或绑架。最后，将所提出的方法应用于移动机器人平台，以证明该方法在定位精度和正确估计位姿所消耗的时间方面的有效性。

系统总览

    ~~~          ~~~~     本研究中使用的传感器系统包括安装在 3D LiDAR 传感器下方的立体相机，如图 1 所示。 Velodyne VLP-16 用作顶部居中的 3D LiDAR 传感器。 ZED 立体摄像机安装在 VLP-16 下方，面朝前。 关闭右侧摄像头，将 ZED 摄像头用作单目摄像头。 3D LiDAR 与摄像头之间的外部校准使用 Vel’aset al. [34] 开发的自动校准方法进行。 通过比较激光雷达和相机检测到的人工地标，可以发现两个传感器之间的变换矩阵TCL∈SE(3)为

这里SE(3)表示3D中的一个特殊欧氏群；[xy，z]T∈R3表示3D LiDAR检测到的点，[uv]T∈R2表示相机检测到的对应点；是比例因子，Pi是投影矩阵 从相机的内在参数中获得。 使用transformationTCL，当相机的globalpose由xCamera∈SE(3)给出时，LiDARxLidar∈SE(3)的pose为

概述

所提出的方法包括三个阶段：深度初始化、粒子滤波器（PF）和定位失败检测。 在深度初始化阶段，深度学习用于生成初始粒子集。 粒子从基于深度学习的视觉定位结果周围的扭曲坐标中采样，以生成最可能的粒子。 然后，将一组粒子应用于 PF 以进行 MCL。 在这项研究中，使用单目相机进行深度初始化，而使用激光雷达进行粒子滤波。 为了预测定位是否会失败，将来自相机的深度学习结果与来自 LiDAR 的 PF 结果进行比较。 如果定位很可能失败，则再次进行深度初始化以重新定位传感器系统。 所提出的 MCL 的概述如图 2 所示。