vo在自动驾驶中的应用（二）

 课本中的LK光流比较老，已经是二十多年前的东西了 。 前端中图像的处理存在差异，所以有光流法和特征点法，后面的处理理论和方向都是比较明确的。

 

 提问环节：

1、kitti属于2012年的数据集，如果用更先进的算法估计出的轨迹就是groudtruth不一样，那么这个轨迹是否更准确？

答：完全可能，因为groundtruth在测量时，用的RTK等传感器测量（IMU），RTK信号比较好，但是也有可能在过隧道这样的地方时，信号变差，获取groudturth并没那么准确。

2、VO，VIO，LO，LIO在一些场景中无法解决定位建图问题，如比较空旷的场景，比较多的人用语义SLAM在做，可以谈谈SLAM未来的应用趋势么？

答：主要看领域，学术领域这两年研究语义SLAM比较多，主要方式是把物体提出来构建在地图中，在地图中用物体作物体级的重定位，回环检测，并没有直接应用，硕士和博士可以做这方面的。工业领域更多应用到的是结合深度学习的大规模算法，空旷场景可以使用RTK+IMU进行精确定位，路面也是有纹理的，因此视觉SLAM问题也不大，雷达SLAM可以用反射类来做，操场级别的空旷场景是没有问题，雷达的范围较大，可以达到六七十米。

3、实际应用中在空旷场景中会出现视觉绕死的情况

答：工业上一般都是通过扩展视野来解决视觉绕死的问题，不需要修改算法。

4、视觉经常在弯道出出现绕死的现象，除了添加IMU信息来解决，还有什么其他方法。

答：车载可用的传感器有很多，可以添加DR和RTKa，做一个多传感器融合。飞机的话只能使用VIO，顶多加一个RTK。

5、针对不同场景传感器的问题（传感器失效与切换，传感器容错率），您能谈谈目前多传感器融合技术发展到哪一步？

答：程序写的硬一点，可以直接用if-else写，判断失效条件，实现传感器的切换。软一点的是直接写入到滤波器或者是图形化的框架中，各个传感器融融合在一起，传感器失效时可以放大信号，传感器切换也没那么僵硬。

这两块都是需要大量调参，失效条件，失效后如何处理，和估计的比较咋样，都需要调参。现在主流的是卡尔曼滤波+卡方（没听清）的检测，检测的比估计差很多就不融进来。

6、深度学习SLAM方法和语义SLAM哪一个更好发论文？

答：这两方面都比较好发，尤其是深度学习的，都是一些流水线的东西，修改一下网络，最后实现的效果比别人的好就可以发论文，也不太需要说出个所以然的。

7、也没有把视觉和雷达融合在一起做SLAM的方法？

答：有的，松耦合比较多，视觉和雷达先各算各的，然后再通过滤波器或者优化框架来实现融合。

 8、软件定义汽车目前的问题以及下一步的发展方向？SLAM是否也为软件定义汽车的一个方向？

答：是的，智能化，车辆保持、智能泊车等一大部分功能主要是靠相对定位来实现的，绝对定位主要是靠RTK或者点云定位。现在还有很多人做在线高精度地图与定位，但是有人质疑可靠安全性。比较重要的方向是让这个车的行为更像一个人，在没有高精度地图的时候，这个车在行驶中，一边定位，一边获取周围更高级的信息，如推出局部地图，识别车道往左往右等这些高精度地图中的标识信息，目前这个方向处在一个发展阶段。

9、地下车库泊车时没有信号如何泊车？

答：分两种，第一种是把车开在停车位附近，然后再泊车，这个需要小范围的局部建图实现，有人在做，但是目前还没有量产。另外一种是从地下车库入口开始自动泊车，因为车型不确定，地下车库又是第三方的没有地图，因此想要停放到指定位置是比较麻烦的，目前还没有实现，需要几年的时间，但是可以做demo，首先用雷达在地下车库跑一圈完成建图后，再进行指定位置的泊车，这个目前是可以实现的。

10、evo工具中的绝对误差与相对误差的概念

答：相对估计误差，分段检测（1000米分十段，一般适用于VO）；绝对轨迹误差，整段检测(1000米整段检测，适用于带回环的的SLAM)。

11、在动态场景下的定位是用传统的方法还是机器学习的方法，或者是与传感器有关

答：主流做法是先用感知识别出物体，然后再抠掉这个物体。在自动驾驶中，可以先通过python或者yolo把动态的物体识别出并扣掉，让特征点不能落在这片区域，这样的研究已经做了很多年了，现在主要是研究动态物体相对与自身的运动情况。物体本身是具有语义的，因此物体的提取还是可以用深度学习来做。