1.20220618_LT-mapper: A Modular Framework for LiDAR-based Lifelong Mapping

• 2021
• 3d-Lidar構建long-term地圖
• 分為
  • SLAM模塊（每個session的點云地圖通過關鍵幀構建，對不同session的關鍵幀進行anchor node檢測，基于anchor幀構建的閉環因子實現Multi-session之間offset的修正，在保證單個session pose最優的情況下，Multi-session之間的pose也是對齊的）
  • 點云移除模塊（檢測變化的點云進行策略性的增加與刪除）
  • 地圖管理模塊
• 代碼開源，使用GTSAM優化

2.20220623_Road Mapping and Localization using Sparse Semantic VisualFeatures

• 2021
• 文章主要實現了基于道路路標的SLAM，包括回環檢測，作者來自阿里。
• 地面特征匹配使用匈牙利算法、電線桿等匹配使用光流法
• 使用B樣條擬合道路線
• 是真的把語義信息納入到狀態變量進行一起優化的系統
• 工作量有點大

3.20220629_A General Framework for Lifelong Localization and Mapping in Changing Environment

• 2021
• 高仙機器人的life-long SLAM，可以看出是基于cartographer的工作
• 最核心的貢獻是，在移除子圖時使用邊緣化法進行子圖的移除，但是移除后會使得圖模型變得稠密，于是采用 Chow-Liu Tree 進行圖模型近似稀疏化。這一點應該是在life-long主題必備的。
• 還有一篇同時期的工作也是用的這個算法原理。

4.20220701_Geometry-based Graph Pruning for Lifelong SLAM

• 2021
• 同高仙機器人論文，使用Chow-Liu Tree 進行稀疏化
• 對于頻繁建圖的場景很實用，可以借鑒。

5.20220703_Mapping and Localization using Semantic Road Marking withCentimeter-level Accuracy in Indoor Parking Lots

• 2019
• IMU+輪速計進行航跡推算
• 環視進行語義分割（選定ROI防止邊緣區域畸變過大）
• 子圖里面校正DR、回環全局優化
• 利用DR數據進行圖像拼接、利用語義信息進行點云融合
• 值得學習的算法：
  • 點云融合算法（避免點云過多出現問題）
  • 語義ICP算法

6.20220704_Road-SLAM : Road Marking based SLAM with Lane-level Accuracy

• 2017
• 基于Graph-SLAM，只使用了Road信息
• 子圖思想進行回環檢測
• 可以借鑒的算法：
  • 自適應IPM算法
  • 自適應二值化算法
  • 語義分類算法：通過形狀函數集合（ESF）提取特征，然后使用隨機森林進行分類
  • GICP算法進行匹配

7.20220704_Monocular Localization in Urban Environments using Road Markings

• 2017
• 只有定位，沒有建圖，基于優化求解
• 地圖使用的Lidar構建好的，使用單目進行定位
• 單目定位沒有使用語義信息，使用道路邊緣以及道路點的幾何信息構建優化問題進行求解。
• edge提取：基于隨機森林的邊緣提取算法
• 匹配： Chamfer matching 算法

8.20220704_AVP-SLAM: Semantic Visual Mapping and Localization for Autonomous Vehicles in the Parking Lot

• 2020
• AVP-SLAM 作者秦通
• 環視 + IMU + 輪速計
• 環視 IPM 處理
• U-Net，對合成IPM圖像的每一個像素輸出一個標簽，標簽主要有lanes, parking lines, guide signs, speed bumps, free space, obstacles, and walls
• 建圖（a）利用里程計進行局部建圖,（b）ICP回環檢測全局優化建圖
• 定位（a）里程計定位，(b)語義ICP定位，EKF融合
• 主要貢獻是提出方案框架
• AVP-SLAM:自主代客泊車視覺定位方案探索（自動駕駛）

9.20220704_RoadMap: A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving

• 2021
• RoadMap 作者秦通
• 車端建圖（眾包）、云端維護（融合、更新）、壓縮(輪廓提取）分發
• 汽車本地建圖：汽車使用前視照相機、RTK-GPS、IMU 和輪式編碼器等傳感器進行融合建圖。其中 RTK-IMU 可以用來進行車輛位姿估計，相機圖片可以用來提取語義特征，將提取到的語義特征投影至世界坐標系可以建立局部的語義地圖。
• 云端建圖：汽車在本地建立的局部語義地圖會上傳至云端，云端服務器收集多個汽車的局部地圖，通過拼接形成全局地圖，然后對全局地圖采用輪廓提取的方法進行壓縮
• 用戶端定位：用戶可以實時獲取最新的全局地圖，只需要有低成本的相機、GPS、IMU 和編碼器即可通過 GPS 和 IMU 進行粗定位，再結合語義信息匹配獲取較為準確的位置估計
• 對云端數據進行一系列自動化的處理，便可以生產自動駕駛所使用的定位圖層和拓撲圖層,自動生成拓撲圖層？
• 云端構圖完成后，其他車輛經過該地圖覆蓋的區域后，便可以下載該輕量化的語義地圖，進行導航和定位
• 定位和之前車端數據處理一樣，提取前視相機的語義特征，通過和下載的語義地圖比對，得到當前車輛的位姿
• 不用高精地圖行不行？RoadMap：自動駕駛輕量化視覺眾包地圖
• 個人覺得可以以這篇文章為藍本進行實現

10.20220704_Light-weight Localization for Vehicles using Road Markings

• 2013
• 本田
• 建圖階段：GPS+IMU+camera（檢測 road mark）
• 定位階段：通過 檢測的 road mark 進行地圖查詢定位
• 創新點：更高特性的特征點檢測
• we use MSER to find regions of interest that could potentially contain road markings
• IPM后，在 ROI 中提取 FAST 角點，使用 HOG 進行角點描述，并進行角點的標注
• We detect the contour of the road mark on the inverse perspective mapped (IPM) image using an active snake algorithm [8] and record the relative pixel locations of these corners within the contour.從角點點云中查找輪廓
• Road Mark是模板化的

11.20220704_Submap-Based SLAM for Road Markings

• 2015
• 論文背景為一個大學生智能汽車競賽
• 離線的SLAM過程
• ROI提取，IPM變換（selected a 2-D difference of Gaussian (DoG) as a filter 濾波畸變）特征提取算法為參考文獻2
• 局部建圖：占柵格地圖，在線構建
• 全局優化：
• 感覺這篇文章沒啥太突出的亮點啊，基本上是一些策略型的方法。

12.20220705_LaneLoc: Lane Marking based Localization using Highly Accurate Maps

• 2013
• 建圖：360Lidar + 手工，就是傳統的建圖方式
• 文章主要工作在于已有地圖后的定位，定位 = 橫向定位 + 縱向定位
• 建圖相機朝下安裝，避免了 roll pitch 的影響
• 解讀參考

13.20220705_Lane marking aided vehicle localization

• 2013
• 采集車采集數據進行處理，具體怎么處理的沒有詳細展開
• 建圖階段：拿到lane points后：
  • Douglas–Peucker’s algorithm 降采樣
  • 聚類
  • 最小二乘擬合參數得到lane模型(Each lane can have two border lines, both of them mapped into two polylines), Q:全是小線段組成的嗎？
• 定位階段：橫向定位，縱向定位，很魔幻沒咋看懂

14.20220705_Visual Semantic Localization based on HD Map for Autonomous Vehicles in Urban Scenarios

• 2021

• 作者：華為諾亞方舟實驗室

• 看華為的論文我似乎找到了他們寫論文的固有格式：

  • 1.首頁 = 摘要 + Introduction（由行業大方案，引出主要貢獻）+ 一張漂亮圖
  • 2.次頁 = RELATED WORK（和本文類似的方案介紹，這里就很耐人尋味了，列出的參考文獻，語句關鍵詞都是來自與參考文獻原文，簡單變一下描述就是，很有可能就是來自于摘要） + 本系統框架圖 + III.System overview
  • 3.后面依次為IV. METHODOLOGY + V. EXPERIMENTAL EVALUATION + VI. CONCLUSIONS + REFERENCES

• 傳感器：單目相機(提取語義特征) + IMU + 兩個編碼器 + GNSS

• IV.METHODOLOGY

A. Semantic Features and Detection

• YOLOV3實現語義分割, sign–> $s_t=(s_t^l,s_t^c,s_t^b)$:
  • $s_t^l$: 點云類別
  • $s_t^c$:點云類別得分
  • $2_t^b$:類別boundingBox （四個頂點）
  • 加上相對當前位置的高度 height 一并存入到 HDMap 中
• pole–> $s_t=(s_t^l,s_t^c,s_t^b)$:
  • $s_t^l$: 點云類別
  • $s_t^c$:點云類別得分
  • $2_t^b$:類別 two vertices (端點)
  • 一并存入到 HDMap 中
• road marking： sample points 存入 HDMap 中

B. Semantic Data Association with HD map

step 1 在里程計先驗位姿附近進行采樣得到候選位姿（預測），并根據采樣位姿將地圖上的特征投影到圖像上

• $p_i=\frac{1}{Z_i^c}K{T}_v^c{T}_v^{?1}{p}_i^m$；
• $p_i$: 地圖中第 $i$ 個特征點位置
• $K,T_v^c$ 為相機內外參
• $Z_i^c$ 為地圖中第 $i$ 個特征點在相機坐標系 $Z$ 軸的位置

step 2 執行局部一致性的粗關聯，找到近似最優的采樣姿態，同時消除由于大的先驗姿態誤差引起的不匹配。 局部結構一致性：感知特征的橫向位置分布 + 對應特征重投影最小化。（a）感知與重投影特征按橫向位置升序排列； （b）計算每個感知特征 $s_t$ 和每個重投影特征 $r_k$ 之間的相似度:
$$p\left(s_t\mid r_k\right)=p\left(s_t^l\mid r_k^l\right)p\left(s_t^c\mid s_t^l,r_k^l\right)p\left(s_t^b\mid r_k^b\right)\text{\hspace{1em}(4)}$$
where, $p\left(s_t^l\mid r_k^l\right)$ and $p\left(s_t^c\mid s_t^l,r_k^l\right)$ can be obtained by offline learning of perception results.點云類別與點云得分相似度好計算

• For signs, the likelihood $p\left(s_t^b\mid r_k^b\right)$ consists of position and size similarity:這里就是計算 boundingBox的相似性
  $$\begin{array}{rl}p\left(s_t^b\mid r_k^b\right)=& \omega \exp \left(?\frac{1}{2}{\left(\frac{x_p?u_p}{{\sigma }_p}\right)}^2\right)+\\ & (1?\omega )\exp \left(?\frac{1}{2}{\left(\frac{x_s?u_s}{{\sigma }_s}\right)}^2\right)\end{array}$$
  ,
  • $\omega$ 是用于加權位置相似性和大小相似性的學習超參數。
  • 分別表示地圖特征和感知特征的位置和大小。 ${\sigma }_p,{\sigma }_s$ 可以從感知結果中離線學習。
• 與 signs 相似，pole 的似然 $p(s_t^b|r_k^b)$ 由位置、方向和重疊相似性組成。
• 如果感知特征的最大相似度得分大于閾值并且保留了局部結構，則將它們視為匹配對。 對于每個采樣姿勢，計算cost $C$ 以根據匹配數 $N_m$ 和匹配誤差 $e_{i{i}^{\prime }}$ 對其進行近似評估：
  $$C=?\frac{1}{N_m}\sum _{i=1}^{N_m}{e}_{i{i}^{\prime }}+\omega N_m$$
  $\omega$ is a hyperparameter. $e_{i{i}^{\prime }}$ is defined as the lateral distance between feature $i$ and $i^{\prime }$, as shown in Fig. 3. The proposal with $\max C$ is regarded as the approximate optimal matching sampled pose and will be used in step 3 .

step 3 基于 step2 中近似最優匹配采樣位姿，進行考慮匹配數、匹配相似度和局部結構相似度的最優關聯方法，實現最優全局一致性匹配。 通過解決以下優化問題，將其表述為多階圖匹配問題：

$$\begin{array}{rl}\hat{\mathbf{X}}=\underset{\mathbf{X}}{\mathrm{argmax}}{\omega }_1{N}_m+{\omega }_2\frac{1}{N_m}\sum _{i=1}^N\sum _{i^{\prime }=1}^M{x}_{i{i}^{\prime }}{s}_{i{i}^{\prime }}& \\ & +{\omega }_3\frac{1}{N_e}\sum _i^N\sum _{i^{\prime }}^M\sum _j^N\sum _{j^{\prime }}^M{x}_{i{i}^{\prime }}{x}_{j{j}^{\prime }}{s}_{ij,i^{\prime }{j}^{\prime }}\end{array}\text{\hspace{1em}(7)}$$
S.t.
$$\sum _{i=1}^N{x}_{i{i}^{\prime }}\le 1,\sum _{i^{\prime }=1}^M{x}_{i{i}^{\prime }}\le 1,x_{i{i}^{\prime }}=0\text{?or?}1$$

• $N$ and $M$ are the number of perceived and reprojection features,
• $N_e$ is the number of edges between two features.
• ${\omega }_1,{\omega }_2$ and ${\omega }_3$ are hyperparameters.
• $x_{i{i}^{\prime }}$ denotes if perceived feature $i$ is matched with reprojection feature $i^{\prime }$.
• $s_{i{i}^{\prime }}$ represents the similarity between perceived feature $i$ and reprojection feature $i^{\prime }$, which is computed by equation (4). $s_{ij,i^{\prime }{j}^{\prime }}$ represents the similarity between edge $e_{ij}$ and $e_{i^{\prime }{j}^{\prime }}$ :
  $$s_{ij,i^{\prime }{j}^{\prime }}=\exp \left(?\frac{1}{2}{\left(\frac{e_{ij}?e_{i^{\prime }{j}^{\prime }}}{{\sigma }_e}\right)}^2\right)\text{\hspace{1em}(8)}$$
  • $e_{ij}$ and $e_{i^{\prime }{j}^{\prime }}$ denotes the lateral distance between feature $i$ and $j$, and feature $i^{\prime }$ and $j^{\prime }$, as shown in Fig. 3 .
  • ${\sigma }_e$ can be learned offline. The optimization problem will be solved by general random re-weighted walk framework [39].

step 4 執行連續幀間的特征跟蹤。該過程在連續幀中的特征之間建立關聯。 由于感知特征是靜態的并保持局部結構，我們將該過程表述為類似于等式（7）的多階圖匹配問題。

step 5 執行時間平滑以得到時間一致性的數據關聯。該過程在連續幀中的感知特征和地圖特征之間構建最佳一致匹配。 當前幀的匹配正確性可以通過滑動窗口中先前的匹配結果來驗證。 此外，如果當前幀中出現不匹配，則可以根據之前的匹配和跟蹤來找到并糾正它。 時間平滑通過對滑動窗口中每一幀的匹配 $D_{1:T}$ 和匹配置信度 $c_{t,i}$ 加權來獲取地圖特征 $x^l$ 的對應感知特征 $s_i$：

$$\begin{array}{rl}{\hat{s}}_i& =\underset{s_i}{\mathrm{argmax}}p\left(s_i\mid D_{1:T}\right)\\ & =\underset{s_i}{\mathrm{argmax}}\frac{{\sum }_{t}I\left(s_i,D_t\right)c_{t,i}}{{\sum }_{t,j}I\left(s_j,D_t\right)c_{t,j}}\end{array}$$

• $I\left(s_i,D_t\right)$ denotes if map feature $x^l$ is matched with perceived feature $s_i$.

• The matching confidence $c_{t,i}$ is given by evaluating feature and local structure similarity:
  $$\begin{array}{rl}{c}_{t,i}& =\omega \exp \left(?\frac{1}{2}{\left(\frac{s_{i{i}^{\prime }}}{{\sigma }_p}\right)}^2\right)\\ & +(1?\omega )\exp ??\frac{1}{2}{\left(\frac{\frac{1}{N_m?1}{\sum }_{j=1,j=i}^{N_m}{s}_{ij,i^{\prime }{j}^{\prime }}}{{\sigma }_e}\right)}^2?\end{array}$$

• 如果最佳感知特征的累積置信度遠大于次優感知特征的置信度，則認為最佳感知特征為地圖特征$x^l$的匹配對。否則，認為地圖特征$x^l$具有不確定匹配， 并且可以給出與每個感知特征的匹配概率。 該過程區分確定匹配和不確定匹配，可以解決奇點引起的不匹配問題。

C. Pose Graph Optimization

等式（2）的位姿估計過程可以定義為先驗概率和似然的乘積：

$$\begin{array}{rl}\hat{\mathcal{X}}& =\underset{\mathcal{X}}{\mathrm{argmax}}p(\mathcal{X}\mid \mathcal{Z},\mathcal{L},\hat{\mathcal{D}})\\ & =\underset{\mathcal{X}}{\mathrm{argmax}}p(\mathcal{X})p(\mathcal{Z}\mid \mathcal{X},\mathcal{L},\hat{\mathcal{D}})\end{array}\text{\hspace{1em}(11)}$$

通過高斯分布假設，先驗分布 $p(\mathcal{X})$ 是通過里程計的相對運動估計得到的。 我們基于里程計測量 $z_{i,i+1}^o$ 和匹配的特征對 $z_i^l$ 制定滑動窗口非線性最小二乘估計器，以估計最近的 $T$ 個姿勢。 與常用的濾波方法相比，優化方法可以處理異步和延遲測量，并在相同的計算資源下實現更高的精度$[40]$。 優化目標表示為：

$$\begin{array}{rl}\hat{\mathcal{X}}=\underset{\mathcal{X}}{\mathrm{argmin}}& \sum _i{e}^o{\left(x_i^p,x_{i+1}^p,z_{i,i+1}^o\right)}^{\mathrm{T}}{\Omega }_i^o\\ & e^o\left(x_i^p,x_{i+1}^p,z_{i,i+1}^o\right)\\ & +\sum _i{e}^l{\left(x_i^p,x^l,z_i^l\right)}^{\mathrm{T}}{\Omega }_i^l{e}^l\left(x_i^p,x^l,z_i^l\right)\\ & +\sum _i{e}_j^m{\left(x^l\right)}^{\mathrm{T}}{\Omega }_j^m{e}_j^m\left(x^l\right))\end{array}\text{\hspace{1em}(12)}$$

其中，每個誤差項連同對應的信息矩陣可以看作一個因子，每個狀態變量可以看作一個節點，因此定位問題可以用因子圖表示，如圖4所示。誤差項由下式組成 里程計誤差 $e^o$、語義測量誤差 $e^l$ 和地圖誤差 $e_j^m$。 里程計誤差定義為：

$$e^o\left(x_i^p,x_{i+1}^p,z_{i,i+1}^o\right)=\left(x_{i+1}^p{}^{\mathrm{T}}{x}_i^p\right)z_{i,i+1}^o$$
Semantic measurement error factor $e^l$ is expressed as:
$$e^l\left(x_i^p,x^l,z_i^l\right)={\left[\frac{1}{Z_i^c}K{T}_v^c{x}_i^{p\mathrm{T}}{x}^l\right]}_0?{\left[z_i^l\right]}_0$$

其中，$[?{]}_0$ 表示向量的第一個元素。 測量誤差僅采用橫向誤差，以消除高度誤差的影響以及對地圖特征準確絕對高度的要求，如圖5所示。

地圖誤差因子 $e_j^m$ 表示為：

$$e_j^m\left(x^l\right)=x^l?m_j$$

其中，$m_j$ 是第 $j$ 個地圖特征的位置。 在本文中，我們采用參考文獻[26]中提出的地圖特征的方差構造方法。 在地圖因子各向同性假設的情況下，根據假設的地圖質量，地圖因子的方差可以定義為：

$${\sigma }_m^2=\frac{1}{\gamma (c)}{r}^2$$

其中， $\gamma$ 是反卡方累積分布函數，$c$ 表示置信度，$r$ 表示半徑。

非線性優化問題可以直接通過迭代算法求解。 采用滑動窗口代替全批處理方法，在保證定位精度的同時提高計算效率。 舊狀態被直接截斷和忽略。 邊緣化方法也可以處理舊狀態，但它會累積線性化誤差，使系統矩陣密集，并導致死鎖。 邊緣化方法基于過去的數據約束姿態，但使用地圖特征作為先驗足以約束車輛姿態。

• 可能面臨的問題:本文是以GPS組合導航提供絕對位姿，在定位的時候也是根據GPS提供搜索范圍，在地下停車場中這是一個難點！

15.20220705_AVP-Loc: Surround View Localization and Relocalization Based on HD Vector Map for Automated Valet Parking

• 2021
• 作者：小米
• 文章剔除了利用 HD Vector Map 進行定位與重定位，并沒有討論 HDMap 是如何建立的；
• 提出來了 BEV語義圖與 HDMap Vector Map 匹配的方案
• 提出來了利用HDMap vector Map進閉環檢測的方案

總結

以上是生活随笔為你收集整理的高精地图_语义地图_众包地图相关论文笔记的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。