pyqt5中sender方法介绍_自动驾驶中基于车道线的车体定位方法介绍

基于高清地图的定位是高清地图的主要作用，而定位本身是不会局于此的，实际上自动驾驶的定位也会采用传感器融合的思路，即采用GPS/DGPS（比如RTK），IMU，摄像头，激光雷达加高清地图的组合。

GPS定位是经典的方法，因为精度低就有了差分GPS即DGPS，比如RTK技术。国内千寻网络背靠中国兵器工业集团和阿里巴巴集团两个大公司，提供这方面的服务。具体技术如何，精度怎样，服务怎样，自己谷歌吧。

激光雷达点云数据做定位的方法，ICP肯定不行，计算量太大。大家熟悉的常用算法，有NDT（normal distributions transform），斯坦福大学的histogram filter 和particle filter之类。要求车载有激光雷达，实时采集现场点云数据。当然，也有压缩点云数据的快速匹配定位方法，比如TomTom的RoadDNA，Civil Maps的Fingerprint Map，定位难度和精度上会有所折衷。

IMU是可以定位的，只是它的原理来自于积分，累计误差大，一般和GPS或者激光雷达/摄像头联合使用。

摄像头定位是视觉SLAM采用的，以前有Image-based Re-localization课题，用于SLAM的loop closure检测，tracking failure恢复等等。不管是稀疏法还是致密法，或者半致密法，都有不少的研究论文可以查到。

不过，在这里我是继续上一个话题，即基于车道线的制图技术，通过一些论文讨论如何应用车道线对车辆定位的方法。

注：车道线检测这个题目太大，在此忽略，以后再总结。

---

Fast Symbolic Road Marking and Stop-line Detection for Vehicle Localization

Symbolic Road Marking （SRM）包括下图的9个种类，加上停车线，共10种路标可以用来做定位。

下图是SRM产生候选的流程：

而这里是停车线检测的流程：

---

Vehicle Localization using Road Markings

这里路标包括箭头，斑马线和限速。下图是如何检测路标的：从左到右是原始图像，校准的IPM，ROI检测和FAST特征。

下图是：路标重复检测，连续帧结果逐行显示，即帧#，原始图像，IPM，车辆位置。蓝十字标记估计位置，粉色表示GPS位置，还有道路线GPS位置是红色。

姿态估计中PNP算法比IPM差。下图是路标的两个例子：显示提取的角点（红色）。实际上这些角点带有GPS位置信息，被存入地图的数据库。