Wang, Huayou, Changliang Xue, Yu Tang, Wanlong Li, Feng Wen, and Hongbo Zhang. “LTSR: Long-Term Semantic Relocalization Based on HD Map for Autonomous Vehicles.” In 2022 International Conference on Robotics and Automation (ICRA), 2171–78. Philadelphia, PA, USA: IEEE, 2022. https://doi.org/10.1109/ICRA46639.2022.9811855.
1 Introduction
本文做出以下贡献：
- 提出一种基于语义特征和HD 地图的准确、鲁棒的长期重定位算法，该算法不依赖于GNSS；
- 提出一种基于局部语义描述子（编码了语义特征间的空间和法向normal 关系）的鲁棒语义特征匹配方法；
- 通过评估局部、全局几何一致性和时间一致性的准确高效简单的外点剔除方法；
- 大量的实验证明了方法的有效性。
3 System Review
参考作者去年的文章(Wang 等, 2021)，系统框架如Fig. 2所示：
相机和Lidar 用来探测3D 语义特征。数据关联过程分为三个步骤：
- 为每个感知到的语义特征生成描述子，该描述子编码了语义特征之间的空间和法向normal 关系；
- 基于特征描述子相似度的数据关联；
- 通过评估局部、全局几何一致性和时间一致性的外点剔除方法。
4 Methodology
4.1 Semantic Features and Detection
本文使用的语义特征为：道路线、道路标志、杆状物、交通灯和指示牌。
与作者前作相同，使用YOLOV3 来进行语义探测，所不同的是，本文作者添加了Lidar 传感器，来为感知到的特征产生3D 位置信息和法向量。探测到的语义特征 $\mathcal{Z}_i$ 包含种类信息和用中心点与法向量表示的几何信息，如Fig. 3所示，其中，杆状物的中心点是其与地面的接触点，其法向量为杆状物所在道路线的方向。道路线表示为三次曲线线段。
4.2 Semantic Feature Description and Association
编码了语义特征之间的空间和法向normal 关系的描述子。为了减少计算量，所有的点和法向量都被投影至XY 平面，对于每个语义特征，与它在特定距离内的邻接特征被用来构建描述子，该局部描述子编码了相对位置、相对角度以及相对法向量参数。
当前扫描中感知到的某个语义特征 $\mathcal{Z}_i$ 和HD 地图中的每一个地标 $\mathcal{L}j$ 对应的邻接特征集合分别表示为：
根据邻接特征建立 $\mathcal{Z}_i$ 和 $\mathcal{L}j$ 的特征描述子（边组合）：
其中，$\mathcal{E}_i^l$ 编码了相对位置 $d_i^l$ ，相对逆时针角度 $\theta_i^l$ 以及相对逆时针法向量 $n_i^l$ 。
如果 $\mathcal{Z}_i$ 和 $\mathcal{L}j$ 具有相同的语义标签，且它们匹配上的边个数超过一定比例，那么就可以认为两者为一个匹配对。
这样，语义特征的匹配问题就转化为了语义边组合中的边匹配问题，边匹配需要满足以下4个条件：
- 两条边的语义标签一致；
- 两条边的距离误差小于一个阈值；
- 两条边的角度误差小于一个阈值；
- 两条边的法向量误差小于一个阈值。
4.3 Outlier Removal
外点剔除的目标为：寻找一个几何一致性最大的组，即该组拥有最大数量的几何一致特征对，问题表示为：
其中，$\mathcal{I}$ 表示内点组，$\epsilon$ 表示一个内点阈值，$(\mathcal{Z}_i, \mathcal{L}_{Z_i})$ 表示匹配点对，局部几何一致性可表示为：
其中，$d_l, d_g$ 分别表示局部地图中两点之间的距离和全局HD 地图中对应特征点之间的距离，$n_l, n_j$ 表示法向量角度。
外点剔除算法如下所示：
4.4 Semantic Tracking
作者采用前作(Wang 等, 2021)中的方法来构建连续帧间的特征关联，在此基础上，为了应对误匹配，作者使用CLEAR (Consistent Lifting, Embedding and Alignment Rectification) 算法来建立多视角下正确的语义特征关联。
4.5 Matching Consistency Check
参考作者前作(Wang 等, 2021)。
4.6 Robust Long-term Relocalization
在匹配对的基础上，作者使用GNC（Graduated Non-Convexity）算法来解算重定位位姿，误差模型定位为中心位置和法向量的欧氏距离。