Lidar Scan Feature for Localization with Highly Precise 3-D Map论文解读

日本人的文章，感觉有点水，主要内容讲的是点云与高精度地图匹配前如何采样的问题，对于如何匹配没有说，但它选定确定物体做特征匹配的方式不需要像SIFT那样选择关键点，直接通过阈值聚类的大小选择大的类当做稳定的建筑物做匹配。
之后可以试试这种采样方法，但前提是找到匹配方法，论文只是说它采用icp,是不是过于简单了。
实验采用的是32线雷达，它将雷达分成4*4个区域，（前后左右）（32线分成4层）。然后通过一个特征量判断的算法，选择匹配时使用哪几个区域。
对于自动驾驶，在路上行驶遇到的障碍物可以分到前后左右和上下角度上。如上的树木，建筑，下的道路，栏杆、行人。在不同的环境，扫描检测的物体特征不同，效果也不同。比如在高速路上，低方向的信息比较有用，可以检测路两侧，也非常适合定位，但在城市中，低的方向就有很多噪声比如行人车辆，高的方向就比较有用，不会有太多不确定物体。

算法过程

1. 首先对于输入的点云（195032=62400）可以转换成2D矩阵，不同颜色是不同距离，红色近，蓝色远。在一次旋转中生成一副（72032）的矩阵S，32行，720列。然后根据180，360，540，720列划分前后左右，每四层当作一层。S_i,j(i={1,2,3,4},j={F,L,R,B}),根据相邻点计算差值D={d_i,j=|s_i,j-s_i,j+1|.
2. 根据D将每个S_i,j分类，if d_i,j>delta(d=0.5m),就将两点分类，然后根据每类内含有点的数目统计直方图，统计这个大小的类在该区域内有多少。然后会出现一个现象，在上层角度，比较稀疏，所以每个类包含的点数一般较少，所以有很多小类，在底层，路面范围大，所以有少量大类。
   
3. 对每个区域，根据类的number x和frequency f(x)做线性最小二乘回归，log(f(x))=alog(x)+b=-λlog(x)+b
4. 计算每个区域的回归直线的斜率的角度γ_i,j=tan^-1λ_i,j。
   
5. 然后计算评价特征量的指标，如果S_i,j的斜率角度接近平均值，特征量就很小，如果斜率角度较大或较小就含有很多特征量。
   
6. 我们通过特征量w_i,j对S_i,j排序，选择高的去定位，用µ(−1:0 ≤ µ ≤ 1:0)来衡量使用的数量，比如µ=0.5，就是从低特征量中选择使用一半的区域来定位。
7. 实验中显示=1和=0.1，定位精度几乎不变，时间下降一半，但=-0.1误差就增大了，所以选择低特征的2个区域就可以了，确定的物体包含建筑物。