【论文阅读】Review on 3D Lidar Localization for Autonomous Driving Cars

最新推荐文章于 2024-08-16 08:53:55 发布

麒麒哈尔

最新推荐文章于 2024-08-16 08:53:55 发布

阅读量498

点赞数 1

分类专栏：论文阅读文章标签：定位自动驾驶

本文链接：https://blog.csdn.net/wqwqqwqw1231/article/details/108368173

版权

本文回顾了3D激光雷达（LIDAR）在自动驾驶汽车定位中的重要作用，点云数据因其丰富的空间信息而成为解决定位问题的理想选择。定位方法主要分为基于配准、基于特征和基于神经网络三大类。基于配准的方法如ICP和NDT，通过点云降采样和外点剔除提高效率；基于特征的方法则提取部分关键点进行匹配；基于神经网络的方法利用深度学习进行端到端或部分处理，加速定位过程。

摘要由CSDN通过智能技术生成

文章目录

Review on 3D Lidar Localization for Autonomous Driving Cars

Review on 3D Lidar Localization for Autonomous Driving Cars

“LIDAR data, compared to other perception sensors, is the richest and most detailed in term of spacial information. This results in the LIDAR sensor being practically always more accurate when it comes to solving spatial based challenges such as localizing a vehicle.”
简单来说，就是3维的事情要做用3维的数据做。而且文中提到，激光雷达下降非常快。

由于激光雷达获取的点云数量庞大，所以使用点云做定位的方法主要围绕的是速度的提升。

使用点云的做定位的方法大致分为以下几类

基于配准的

最经典的就是ICP，在ICP的发展过程中，有许多改进版：point-to-line ICP，point-to-plane ICP，and Generalized ICP。考虑激光雷达的扫描特性，形成的是一个一个圆，使用Normal Covariance Filter做点云的降采样，用Geometric Correspondance Rejector做外点的剔除，可以使得ICP更好的在车载激光雷达中使用。

另一种超越ICP的方法则是NDT。

ICP和NDT的使用，在IMLS-SLAM中得到了一种非常经典的三步走范式：
1）将动