文章：Map-Matching-Based Localization Using Camera and Low-Cost GPS For Lane-Level Accuracy

作者：Rahmad Sadlia, Mohamed Afkirb, Abdenour Hadida, Atika Rivenqa, Abdelmalik  Taleb-Ahmeda

编译：点云PCL

来源：2021 The Authors. Published by Elsevier B.V

欢迎各位加入免费知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。

公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起交流一起进步,有兴趣的可联系微信：920177957。本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。

摘要

对于自动驾驶系统来说精确的车道定位是执行复杂驾驶的必要条件，传统的基于GNSS的方法通常不够精确，无法进行车道级定位以支持无人驾驶的功能，虽然基于激光雷达的定位可以提供精确的定位位姿，然而，激光雷达价格仍然是这种解决方案成为广泛应用的一大问题，因此，在这项工作中，我们提出了一种低成本的车道级定位解决方案，使用基于视觉的系统和低成本GPS实现高精度的车道级定位，实验表明，所提出的方法实现了良好的车道级定位精度，优于仅基于GPS的解决方案。

主要贡献

在这项工作中，作者提出了一种低成本的车道级定位解决方案，使用基于视觉的系统和低成本GPS实现高精度的车道级定位。本文的主要贡献是：

• 提出了一种基于视觉的低成本定位系统；

• 提出结合地图匹配方法和低成本GPS，实现高精度车道级定位；

• 在实时和真实环境中进行广泛的实验。

一般来说，基于高精地图的定位方案主要步骤：创建参考地图，找到相应的路段，并在地图上进行定位。

图1.给出了所提出方法的框架

主要内容

在这项工作中，作者提出了一种使用地图匹配技术获得高精度的车道级定位的方法。图1给出了所提出方法的框架，提出的方法有三个输入：相机、GPS和参考地图，构成轨迹的GPS点如下所示：

其中px和py分别表示经度和纬度坐标，w是当前GPS时间戳,参考地图位置r可以定义如下：

其中rx和ry分别表示经度和纬度坐标，j是参考点的位置编号,GPS提供车辆当前位置，并创建25mx25m区域的本地搜索地图，从参考地图中选择本地地图的参考点，该参考地图的点落在当前GPS位置当前所在的区域内，因此，其时间戳rw可以定义如下：

其中k是参考点在局部地图中的位置编号，使用简单的最近点算法计算并比较这些点与当前本地GPS位置之间的距离，然后使用滑动窗口技术，如图2所示

图2.使用滑动窗口的地图匹配过程的图示

搜索从当前GPS获取的位置与参考地图中车辆通过的位置之间的最近临近点（CP），使用欧几里得距离计算距离，最小距离则被选择为车辆的最合适位置，对应窗口的最近点由以下关系确定：

同时，相机提供要由车道分割算法处理的图像序列，使用车道线分割，可以得到车辆相对于中间车道的位置。

A.创建参考地图

参考地图是利用谷歌专业创建的，现在可以免费使用，我们首先创建中心车道路线并将其保存为KML格式，然后，我们提取该路径的坐标并将其存储为中心车道的参考地图，图3显示了使用Google Earth Pro创建的参考地图。

图3.显示了使用Google Earth Pro创建的参考地图

B.找到相应的路段

道路是多条线的，通常左右道路边界由两条多线表示，分隔车道的道路标记也用多条线表示，多车道线特征的单车道称为路段。该方法的一个重要步骤是从输入图像定位相应的路段，对于这项工作，采用LaneNet来生成车道线分割，使用LaneNet的二值图像输出并执行后处理，LaneNet的结果是基于路段数量的多线形式，为了获得相应的车道，LaneNet的输出需要进一步处理，以找到正确的路段，即车辆当前通过的路段。为此，我们使用一种简单的技术，包括线的霍夫变换，以获得图像上的多条线，将图像分成左右两侧，然后选择左侧的一条线和右侧的一条，它们的底部位置最接近图像的底部中心，这两条线应该是相应车道的边界。图4显示了获取相应路段的过程示例。

图4.找到车辆当前位置相应路段的过程

C.参考地图上的车辆定位

在实现最近点地图匹配方法后，我们估计车辆的最终位置，即相对于中间车道的位置。图5清楚地说明了车辆中心和中间车道之间的关系

图5.说明如何获得车辆中心和中间车道之间的偏离距离

车辆中心相对于中间车道的估计距离公式如下：

式中，d_m是车辆中心相对于中间车道的估计距离，单位为米，Lanewith_m是车道宽度，单位为m，（x2− x1）p_x是以像素为单位的车道宽度，d_px是车辆中心相对于以像素为中心的车道的估计距离,使用车辆中心与中心车道之间的估计距离，进行车道级别定位，如图6所示：

图6.基于地图匹配估计车辆位置的图示

实验与结果

我们提出的方法在850米长的道路上进行了测试，该道路由两条车道组成，每条车道宽3.5米，使用安装在测试车顶部的低成本GPS接收器测量车辆的当前位置，在进行实验时，我们没有使用高精度GPS作为地面实况数据，这样，我们测量了从中间车道到车辆中心的距离偏差。通过假设车辆大部分时间应位于中间车道，测量了车辆相对于中间车道的位置，作为我们的性能指标。表1显示了GPS定位和使用我们提出的方法获得的估计位置之间的比较的初始结果，实验的定性结果如图7所示。

图7.所提出方法的定性的定位结果

根据表1，测量的GPS位置比估计位置具有更高的方差和更高的平均值，这表明GPS测量不够精确，无法定位车辆的精确位置，与实测GPS相比，我们提出的方法估计的位置具有较小的均值和方差值，这表明所提出的方法比唯一的GPS方法工作得更好。

表1.使用提出的方法获得的GPS定位和估计位置之间的性能比较

这也表明，大多数情况下，车辆沿着中间车道行驶，比较结果也可参见图8，很明显，提出的方法比仅使用GPS更准确地进行车辆定位。

图8.a）使用唯一的GPS系统和b）提出的方法的车辆中心和中间车道之间的偏差直方图

总结

在本文中，作者提出了一种低成本定位系统的解决方案，使用基于视觉的系统结合地图匹配方法和低成本GPS实现高精度车道级定位，一般来说，需要三个主要步骤：创建参考地图，找到相应的路段，并在地图上定位车辆。提出的方法用于实时测量车辆相对于中间车道的位置，初步结果显示与测量的GPS定位方案相比性能更好。

更多详细内容请查看论文原文。

资源

自动驾驶及定位相关分享

【点云论文速读】基于激光雷达的里程计及3D点云地图中的定位方法

自动驾驶中基于光流的运动物体检测

基于语义分割的相机外参标定

综述：用于自动驾驶的全景鱼眼相机的理论模型和感知介绍

高速场景下自动驾驶车辆定位方法综述

Patchwork++：基于点云的快速、稳健的地面分割方法

PaGO-LOAM:基于地面优化的激光雷达里程计

多模态路沿检测与滤波方法

多个激光雷达同时校准、定位和建图的框架

动态的城市环境中杆状物的提取建图与长期定位

非重复型扫描激光雷达的运动畸变矫正

快速紧耦合的稀疏直接雷达-惯性-视觉里程计

基于相机和低分辨率激光雷达的三维车辆检测

用于三维点云语义分割的标注工具和城市数据集

ROS2入门之基本介绍

固态激光雷达和相机系统的自动标定

激光雷达+GPS+IMU+轮速计的传感器融合定位方案

基于稀疏语义视觉特征的道路场景的建图与定位

自动驾驶中基于激光雷达的车辆道路和人行道实时检测（代码开源）

用于三维点云语义分割的标注工具和城市数据集

更多文章可查看：点云学习历史文章大汇总

SLAM及AR相关分享

TOF相机原理介绍

TOF飞行时间深度相机介绍

结构化PLP-SLAM：单目、RGB-D和双目相机使用点线面的高效稀疏建图与定位方案

开源又优化的F-LOAM方案：基于优化的SC-F-LOAM

【开源方案共享】ORB-SLAM3开源啦！

【论文速读】AVP-SLAM：自动泊车系统中的语义SLAM

【点云论文速读】StructSLAM:结构化线特征SLAM

SLAM和AR综述

常用的3D深度相机

AR设备单目视觉惯导SLAM算法综述与评价

SLAM综述(4)激光与视觉融合SLAM

Kimera实时重建的语义SLAM系统

SLAM综述(3)-视觉与惯导，视觉与深度学习SLAM

易扩展的SLAM框架-OpenVSLAM

高翔：非结构化道路激光SLAM中的挑战

基于鱼眼相机的SLAM方法介绍

如果你对本文感兴趣，请后台发送“知识星球”获取二维码，务必按照“姓名+学校/公司+研究方向”备注加入免费知识星球，免费下载pdf文档，和更多热爱分享的小伙伴一起交流吧！

以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除

扫描二维码

关注我们

让我们一起分享一起学习吧！期待有想法，乐于分享的小伙伴加入免费星球注入爱分享的新鲜活力。分享的主题包含但不限于三维视觉，点云，高精地图，自动驾驶，以及机器人等相关的领域。

分享及合作方式：微信“920177957”（需要按要求备注） 联系邮箱：dianyunpcl@163.com，欢迎企业来联系公众号展开合作。

点一下“在看”你会更好看耶