本文深入探讨了百度无人车的视觉定位技术，强调摄像头作为类似人眼的传感器在识别车道线、护栏等语义特征上的作用。视觉定位通过图像特征匹配与地图数据相结合，确定车辆位置和朝向，具备成本低、技术成熟和灵活性高等优势。文章详细介绍了3D特征地图的离线生成、图像特征检测以及数据整合输出的流程，展示了如何通过车道线和杆状物的匹配优化定位精度。
本文介绍百度无人车的视觉定位技术，做视觉定位技术上首先要搞清楚一个问题，驾驶员开车过程中怎么判断车辆位置。
（驾驶员驾车过程中用来判断车辆位置的信息有哪些？
Gps，车道线，路肩，护栏，交通标志牌，路灯…
除gps外，其他元素都靠人眼辨识，而无人车也有一个与一个与人眼高度一致的传感器：摄像头，我们称图像中的车道线，路灯等人为定义物体为语义特征（semantic features））
我们在前面介绍了，我们有一个初始gps定位，然后我们有车道线，我们能看到路间有护栏，再加上人本身是一个智能体，人知道怎么去开。摄像头和人很相似的一点，摄像头和人眼睛很相似，眼睛和激光雷达相差很大，我们看到的东西是这样的，我们定位的时候会选择一些sematic的 feature去定位。
（视觉定位是通过图像中具有语义信息的稳定特征，并与地图匹配来获得车辆的位置和朝向）
在视觉定位里，也是输出xyz和yaw，也就是位置和朝向，视觉定位的特点，摄像头技术很成熟，而且它非常小，成本非常低，所以很多开发者就可以用摄像头去做无人驾驶，而没有必要去买很贵的激光雷达。道路元素包括车道线以及路灯元素，他的稳定性非常高
（总结视觉定位的特点：
摄像头技术成熟，结构化地图尺寸很小，有利于降低系统生产成本；车道线，路灯等道路元素稳定性高，不易变动，地图生命周期较长；配置灵活，感觉识别算法性能，可以使用不用的特征组合，易于拓展）
你把这些测出来，他的可重检率非常高，就说你这次路过它检测出来了，下次他也能检测出来，它不像自然特征，比如说sift特征或者别的特征，这些重检率非常低，它还有个特点配置很灵活，意思是你可以随便放在车头，车尾很好做，可以放在车里面，车外面它要求没那么高，下面我们给出一个视觉定位算法的一个流程图：
我们先做图像特征的检测，图像检测会做车道线以杆状物的检测，然后从3d地图里，提取当时地图里面有那些元素，比如车道线的分布，我们通过gps给出一个初始的位置，告诉你去录那块地图，它会做一次特征的匹配，用imu去做它的pos的预测，给出一个还不错的pose，做完预测后，匹配完，我们把结果输出，定位数据相对于地图的位置和朝向就知道了。把它在输出给融合定位，这就是视觉定位的流程。
它主要包含三部分，一个是3d特征地图的离线生成，一个是图像特征的检测，最后是数据整合的输出。
（一．3d特征地图离线
最低0.47元/天 解锁文章
7698
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
