Sensors | 更低成本的高精度地图？MLVHM或可用于高精度众包地图更新
未来7天天气预报
原文信息
原文出自Sensors期刊
本篇文章被选为Sensors, Volume 20, Issue 7封面文章
识别二维码，阅读英文原文。
Xiao, Z.; Yang, D.; Wen, T.; Jiang, K.; Yan, R. Monocular Localization with Vector HD Map (MLVHM): A Low-Cost Method for Commercial IVs. Sensors2020, 20, 1870.
通讯作者：杨殿阁
教授 博士生导师
清华大学车辆与运载学院，院长
清华大学发展规划处处长，学科办主任
国家万人计划领军人才
中国汽车工程学会 会士
车辆在复杂交通场景下的稳定、高精度的定位是自动驾驶中的关键技术，同时也是基于众包方案的高精地图实时更新的基础。目前智能汽车主流的定位方案依赖高成本的传感器系统(如：实时动态差分全球导航卫星系统(如：实时动态差分全球导航卫星系统(Real-Time Kinematic Global Navigation Satellite System, RTK GNSS)或光学激光雷达(Light Detection and Ranging, LiDAR))，其成本是智能汽车商业化落地的重要障碍。
清华大学车辆与运载学院的杨殿阁教授及其团队成员在Sensors期刊发表一篇研究论文，该论文基于这些现有技术，提出了一种利用量产汽车上的低成本视觉传感器和矢量高精地图的单目定位地图匹配方法(Monocular Localization with Vector HD Map, MLVHM)，并将其用于智能汽车定位上。这是一种新颖的基于相机的地图匹配定位方法，可以将相机内获取的图像帧中语义几何特征与矢量高精地图有效地匹配，并融合帧间位姿约束实现实时鲁棒的高精度定位，实验室团队将该方法应用于智能汽车定位系统。
高精定位算法示意图
未来7天天气预报
实验过程
文章中提出的算法主要由图像处理模块，高精地图模块，地图匹配定位模块以及逐帧运动融合模块组成。地图匹配定位模块的作用是将地图特征与检测出的图像特征进行匹配，并构建位姿约束，求解相机6-自由度位姿。研究人员还使用了滑动窗口优化算法，提高了智能汽车定位算法在实际环境中的稳定性，精确度以及实时性。
实测场景中，研究人员使用搭载低成本相机的智能汽车进行实车试验。
为车辆较多且有很多诸如路灯、交通标志等的校园停车场。 | |
在典型的城区道路上进行实测，相比于场景一来说，这里有更多的车道线，但路灯之间的距离也相对更大。 |
*上下两行分别为场景一二的匹配结果。
蓝色表示识别出的特征，红色表示根据定位结果重投影的地标，白色方框为成功识别的匹配结果。
未来7天天气预报
实验结果
实验结果显示，在实验场景一中，MLVHM的定位误差的RMSE达到0.21 m，在实验场景二中，定位误差在0.29 m。综合两个场景的定位误差在0.24 m。这表明MLVHM能够在城区或者园区等普通道路场景实现20+ cm的定位精度。
考虑到现实生活中会有更多更复杂的行驶场景，研究人员探索了不同地图特征数量对定位性能的影响。总体来说，在设定的场景中，定位精度可以随着特征数量的增加以及车辆到参考地标的距离的减少而提高。一般来说，在双车道情境下能轻易定位到米级和分米级，随着车道数量增加，定位性能会继续提高，但提升幅度减小。
通过整合逐帧约束，定位算法的实时性有了明显提升。本文提出的这种基于低成本单目视觉和商业化高精地图的绝对车辆位姿估计的新颖算法(MLVHM)，利用语义几何信息作为地图匹配和逐帧运动融合的线索，能有效地实现20+ cm的高精度定位。
在未来的研究工作中，为了让该算法适应更复杂的交通场景，研究人员们还打算将道路曲线及其他复杂的道路模式引入到匹配误差函数中，同时进一步优化视频图像帧间约束算法，提高该方法的定位精度。据了解，实验室团队最新的研究成果已经进一步将定位精度从20+ cm提高到了10+ cm。
Sensors (ISSN 1424-8220, IF: 3.031) 于2001年创刊，作为一个国际型开放获取期刊，主要刊载传感器科学和技术研究领域的学术文章。Sensors 采取单盲同行评审，一审周期约为17.9天，文章从接收到发表仅需2.6天。
往期回顾：
版权声明：
*翻译作者：Charlie Cai
*本文内容由MDPI中国办公室编辑负责翻译，一切内容请以英文原版为准。如需转载，请邮件联系：
mdpicnmarketing@mdpi.com
点击左下方“阅读原文”，了解Sensors期刊更多内容。
喜欢今天的内容？不如点个“在看”吧！