经典文献阅读之--Multi-LiDAR Localization and Mapping...(基于多LiDAR城市自动驾驶定位与地图构建方案)

0. 简介

自动驾驶车辆需要准确且稳健的定位和地图构建算法，以在城市环境中安全可靠地导航。《Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving》一文提出了一种基于LiDAR传感器的离线地图构建和在线定位的新型传感器融合方案，所提出的方法利用了四个LiDAR传感器，地图构建和定位算法基于KISS-ICP，具有实时性能和高精度。介绍了一种生成语义地图的方法，用于驾驶任务，如路径规划。所呈现的方案已集成到基于ROS 2的Autoware软件栈中，为自动驾驶应用提供了稳健而灵活的环境。展示了该方案在给定的研究车辆和实际自动驾驶应用中优于最先进的方法。

1. 整体方法

我们的整体流程如图3所示。在对原始数据进行预处理后，我们构建了一个3D点云地图和一个语义地图，并将其离线参考到GNSS轨迹上。在线使用点云地图通过扫描配准来定位车辆。扩展卡尔曼滤波器（EKF）融合所有信息并输出高频率的自我状态。该流程已集成到我们基于Autoware1软件栈的自定义ROS 2环境中。

图3：所呈现的多LiDAR定位和地图构建流程概述

2. 传感器融合

传感器融合策略对管道的性能至关重要。在处理点云之前，会应用预处理步骤，例如体素滤波，以减少数据量。此外，还需要应用去斜校正以减少激光雷达扫描的运动模糊。许多问题源于传感器数据的空间校准或时间同步的不准确性。为了最小化这些问题，我们在注册之前对每个激光雷达扫描运行单独的配准，而不是在注册之前融合所有点云。每个扫描首先被转换为一个共同的坐标系，然后与地图匹配。通过这种方式，我们不必考虑单个扫描之间的时间差异，而且误校准也可以很容易地得到补偿。

3. 地图制作

地图制作流程包括3D点云地图制作和语义地图制作方法，以提取车道级别信息。

1. 点云地图制作：为选择地图制作方法，之前提到的SLAM算法进行了评估。由于非典型的LiDAR设置和上述相关挑战，最先进的LiDAR SLAM算法未能创建一致的地图。KISS-ICP与分离的扫描注册表现出对地图创建的稳健行为。地图经过交互式SLAM[7]进行后处理。该框架允许基于沿轨迹的单个姿势进行闭环检测和图优化。
2. 语义地图制作：路径和行为规划需要语义地图。语义地图制作流程的目标是尽可能自动化。然而，仍需要手动语义地图制作流程来纠正错误标记的部分并生成地面真实数据。对于手动语义地图制作，使用Vector Map Builder2。
   点云地图通过手动标记车道边界等进行注释。正在开发自动化语义地图制作流程以实现更好的可扩展性。点云地图经过基于强度的过滤以提取白色道路标线。使用沿行驶轨迹的滑动窗口方法检测路缘石。这两个重要的道路边界元素在先验语义地图中融合。在没有线和路缘石的情况下，语义信息用于提取道路边界。因此，在构建点云地图之前，通过将LiDAR扫描投影到分割的2D相机图像中，将其着色为语义标签。由于多LiDAR设置，最先进的3D LiDAR分割算法效果不佳。然后，将被分割为道路的区域边界与现有的语义车道地图融合。自动化语义地图制作过程在图4中进行了可视化。

点击经典文献阅读之--Multi-LiDAR Localization and Mapping...(基于多LiDAR城市自动驾驶定位与地图构建方案)——古月居可查看全文