本文作者：Sky Shaw | 來源：微信公眾號(hào)「3D視覺工坊」

恰巧本人在工作后接觸了“移動(dòng)機(jī)器人工業(yè)”和“自動(dòng)駕駛工業(yè)”中定位建圖技術(shù)的應(yīng)用，故而本人將依據(jù)個(gè)人經(jīng)驗(yàn)和理解，嘗試從兩個(gè)角度:

1. 自動(dòng)駕駛中的高精地圖;

2. SLAM算法在移動(dòng)機(jī)器人和自動(dòng)駕駛中的工業(yè)實(shí)現(xiàn)側(cè)重點(diǎn)異同

來分析、討論在?自動(dòng)駕駛企業(yè)擺脫高精地圖依賴的情況下，SLAM算法在自動(dòng)駕駛行車過程中的意義。?文章結(jié)構(gòu)是在第一節(jié)內(nèi)容將討論移動(dòng)機(jī)器人自動(dòng)導(dǎo)航和自動(dòng)駕駛所使用的地圖差異，第二節(jié)簡(jiǎn)述自動(dòng)駕駛領(lǐng)域使用到的SLAM相關(guān)技術(shù)，隨后在第三節(jié)討論 “自動(dòng)駕駛企業(yè)為何想擺脫對(duì)高精地圖的依賴？”這個(gè)議題，最后在文末給出本人對(duì)“SLAM算法在自動(dòng)駕駛中的意義”的理解。

文中內(nèi)容、觀點(diǎn)如有錯(cuò)誤和不當(dāng)，還請(qǐng)大家批評(píng)指正。

1、地圖：高精地圖？柵格地圖？

地圖，在不同作業(yè)場(chǎng)景下，所使用的“地圖”內(nèi)部要素都會(huì)有不同的變化和組合

在討論移動(dòng)機(jī)器人自動(dòng)導(dǎo)航技術(shù)中的建圖定位時(shí)，所構(gòu)建的地圖往往指的是?（占概率）柵格地圖?，此類柵格地圖所能表達(dá)的內(nèi)容十分有限：障礙物與邊界、可自由通行區(qū)域和未知區(qū)域，而實(shí)際的作業(yè)環(huán)境中卻包含著更豐富的、可具體描述障礙物、邊界和通行區(qū)域的信息，比如：障礙物可以分成靜止機(jī)器、堆放的雜物、貨物等信息，邊界可以分成墻面、柵欄等信息，可通行區(qū)域又可有行人區(qū)域、機(jī)器移動(dòng)區(qū)域、人機(jī)混合區(qū)域的區(qū)分，等等。但就是這樣僅僅包含如此“簡(jiǎn)陋”信息的柵格地圖，卻滿足了移動(dòng)機(jī)器人自動(dòng)導(dǎo)航作業(yè)過程的定位、路徑規(guī)劃等的輸入標(biāo)準(zhǔn)，其本質(zhì)上是移動(dòng)機(jī)器人的自動(dòng)作業(yè)默認(rèn)是在相對(duì)簡(jiǎn)單的環(huán)境中運(yùn)行（工廠、倉庫、小型室內(nèi)環(huán)境等），移動(dòng)機(jī)器人的運(yùn)動(dòng)滿足最基本的“不撞墻”、“不撞人”等安全要求即可，由此并不需要豐富的環(huán)境信息就可以滿足其移動(dòng)機(jī)器人的作業(yè)要求。

圖：柵格地圖示例：地圖中黑色表示障礙物與邊界、白色表示可通行區(qū)域、灰色表示未知區(qū)域

與上述移動(dòng)機(jī)器人的作業(yè)環(huán)境相對(duì)應(yīng)的就是自動(dòng)駕駛中的場(chǎng)景了，機(jī)動(dòng)車的運(yùn)動(dòng)肯定是不如移動(dòng)機(jī)器人運(yùn)動(dòng)的自由的，例如：機(jī)動(dòng)車不能離開車道線行駛、不能罔顧行車道的指示胡亂逆行、機(jī)動(dòng)車不能想停車就停車、想掉頭就掉頭、更甚之機(jī)動(dòng)車的行駛速度也需要符合道路限速標(biāo)準(zhǔn)。于是乎，在移動(dòng)機(jī)器人中使用的柵格地圖或者原始點(diǎn)云地圖就不能直接用作自動(dòng)駕駛中的定位和決策等后續(xù)的功能邏輯模塊了。由此可見，高精地圖的需求或概念并非憑空出現(xiàn)，而是為了?滿足“賦能自動(dòng)駕駛在復(fù)雜環(huán)境下安全和穩(wěn)定的運(yùn)行、幫助自動(dòng)駕駛的機(jī)動(dòng)車擴(kuò)大環(huán)境感知范圍、輔助車輛實(shí)時(shí)定位和加強(qiáng)規(guī)劃和決策能力等“復(fù)雜需求?而產(chǎn)生并發(fā)展至今。

圖：高精地圖示例：地圖中包含車道線、交通燈、斑馬線、停車線等多元道路交通信息

2、SLAM技術(shù)在自動(dòng)駕駛中的應(yīng)用

不難得出一個(gè)結(jié)論：自動(dòng)駕駛的過程中需要足夠的環(huán)境信息以保證機(jī)動(dòng)車安全、符合法律法規(guī)地行駛。

在討論“SLAM技術(shù)在自動(dòng)駕駛中的應(yīng)用”前，不妨先簡(jiǎn)單總結(jié)下SLAM技術(shù)涵蓋的內(nèi)容。參考基于LiDAR傳感器的LOAM系、Google的cartographer工程和基于視覺傳感器的VINS、ORB-SLAM等經(jīng)典的SLAM系統(tǒng)，不難總結(jié)出經(jīng)典的SLAM系統(tǒng)可以大體上分成：數(shù)據(jù)預(yù)處理、前端里程計(jì)、后端位姿優(yōu)化和地圖構(gòu)建這四個(gè)模塊。

• ?數(shù)據(jù)預(yù)處理（Data Preprocessing）?：在SLAM系統(tǒng)開始針對(duì)傳感器數(shù)據(jù)的接收，在標(biāo)定不充足的機(jī)器系統(tǒng)中會(huì)進(jìn)行多傳感器數(shù)據(jù)的時(shí)間同步和坐標(biāo)系標(biāo)定等工作，再是進(jìn)行“數(shù)據(jù)清洗”的工作以過濾無效值和離群值，進(jìn)行點(diǎn)云（或圖像）的去畸變過程，根據(jù)SLAM系統(tǒng)在匹配算法時(shí)使用的是直接法還是間接法來選擇性地進(jìn)行點(diǎn)云（或圖像）特征的提?。?/p>

• 前端里程計(jì)（LIO）?：基于預(yù)處理過后的傳感器數(shù)據(jù)，使用多傳感器融合技術(shù)以進(jìn)行機(jī)器人的位姿估計(jì)；多傳感器融合的具體方案可以基于濾波也可以基于優(yōu)化方法，可以是松耦合系統(tǒng)也可以是緊耦合系統(tǒng)，融合方案的選擇與機(jī)器人傳感器布局和場(chǎng)景需求有關(guān)；基于LiDAR或視覺的匹配算法，可以是scan-to-scan也可以是scan-to-map，匹配算法可根據(jù)場(chǎng)景需求進(jìn)行選擇，但無論采用什么融合方案和匹配算法，都是為了實(shí)現(xiàn)高精度、高效率、高魯棒的里程計(jì)位姿估算；

• 后端位姿優(yōu)化(PoseGraph Optimization)?：當(dāng)代SLAM系統(tǒng)中必不可少的一環(huán)，目的是為了消除前端里程計(jì)累積的誤差，以保證SLAM過程中軌跡的全局一致性；后端一般是通過回環(huán)檢測(cè)與位姿優(yōu)化相結(jié)合的方法完成前端里程計(jì)誤差的消除，具體回環(huán)檢測(cè)算法方案都是大同小異，大體上是在回環(huán)識(shí)別效率和魯棒性上下功夫，全局位姿的優(yōu)化有基于ceres、g2o、gtsam等優(yōu)秀開源優(yōu)化庫的方案，大體上位姿圖的構(gòu)建也都是以Key Frame（LiDAR pose或Camera pose）為優(yōu)化對(duì)象，輔以回環(huán)檢測(cè)約束、全局傳感器GNSS及l(fā)andmark和慣性傳感器的約束或因子完成位姿圖的維護(hù)過程；

• 地圖構(gòu)建（Map Building）?：根據(jù)SLAM系統(tǒng)中維護(hù)的位姿圖信息，將預(yù)處理過的環(huán)境傳感器的數(shù)據(jù)信息（點(diǎn)云、圖像特征）進(jìn)行拼接，完成點(diǎn)云（特征）地圖的構(gòu)建與保存，除此之外，還可以保存SLAM過程中的中間數(shù)據(jù)，如軌跡、位姿圖、關(guān)鍵幀點(diǎn)云（特征）、二維柵格地圖等。

完成對(duì)SLAM技術(shù)模塊的簡(jiǎn)單討論后，再次回到自動(dòng)駕駛技術(shù)的議題中時(shí)可以發(fā)現(xiàn)：自動(dòng)駕駛中的定位技術(shù)中是與SLAM系統(tǒng)中的前端里程計(jì)模塊不說是一模一樣，但至少是存在大部分“重合”內(nèi)容的：不論何種自動(dòng)駕駛作業(yè)場(chǎng)景下，都少不了對(duì)傳感器的標(biāo)定、時(shí)間同步、基于多傳感器融合技術(shù)的位姿估計(jì)?。如果有高精地圖，又可以基于定位圖層進(jìn)行自動(dòng)駕駛定位算法的全局地圖匹配以消除誤差、保證精度。

3、擺脫高精地圖的“長征”

到此，基于第二節(jié)中簡(jiǎn)述了的自動(dòng)駕駛定位模塊中應(yīng)用到了的SLAM相關(guān)技術(shù)，其實(shí)算是回答了問題的后半句：“SLAM算法在自動(dòng)駕駛行車過程中的意義”這個(gè)議題了，而除了自動(dòng)駕駛的定位模塊，自動(dòng)駕駛中的建圖模塊也使用到了SLAM領(lǐng)域的相關(guān)技術(shù)，但是具體包含哪些SLAM相關(guān)技術(shù)的應(yīng)用和問題描述中的前半句：“自動(dòng)駕駛企業(yè)為何想擺脫對(duì)高精地圖的依賴？”的回答暫時(shí)沒有展開。本小節(jié)將根據(jù)上文第一節(jié)中針對(duì)高精地圖的簡(jiǎn)單描述，結(jié)合個(gè)人理解來淺談下為何自動(dòng)駕駛企業(yè)開始傾向于擺脫高精地圖。

首先不妨先大致了解下“高精地圖“是如何制作出來的，制作高精地圖的過程可以簡(jiǎn)單劃分為三個(gè)階段：

1. 數(shù)據(jù)收集：高精地圖的數(shù)據(jù)采集主要基于GNSS數(shù)據(jù)、配以IMU和輪速計(jì)的慣性傳感器來進(jìn)行車輛位姿的估算，激光雷達(dá)點(diǎn)云以及攝像頭圖像的作用不再像SLAM系統(tǒng)那樣用以匹配算法，而是簡(jiǎn)單地提供車輛周圍的三維環(huán)境信息??；

2. 數(shù)據(jù)處理：基于采集獲得的數(shù)據(jù)和標(biāo)定參數(shù)，進(jìn)行類似SLAM系統(tǒng)的數(shù)據(jù)預(yù)處理工作，一方面是進(jìn)行傳感器時(shí)間對(duì)齊以便于地圖拼接，另一方面是進(jìn)行點(diǎn)云（或圖像）的去畸變，拼接過后的原始地圖再進(jìn)行“語義提取”，盡可能自動(dòng)化地根據(jù)原始地圖獲取必要信息，如車道線、坡度、曲率等道路信息和交通標(biāo)志、道路邊緣類型、紅綠燈、路口等設(shè)施信息；

3. 數(shù)據(jù)重標(biāo)注與圖層處理：該步驟目的是為了進(jìn)一步確保語義信息提取的正確性并人工補(bǔ)充和修正遺漏的高精地圖信息，原始點(diǎn)云地圖的構(gòu)建采用的大致方法還是?類似SLAM系統(tǒng)中的地圖構(gòu)建技術(shù)：對(duì)每一幀的點(diǎn)云數(shù)據(jù)做位姿優(yōu)化并進(jìn)行點(diǎn)云疊加以生成原始的點(diǎn)云地圖?，最后在原始點(diǎn)云地圖的基礎(chǔ)上建立各類車道線信息、道路分隔線、道路環(huán)境中的設(shè)施信息以生成最終的高精地圖；

正如在第一節(jié)中提到的，機(jī)動(dòng)車在復(fù)雜的城區(qū)的自動(dòng)駕駛?cè)蝿?wù)遠(yuǎn)遠(yuǎn)難于移動(dòng)機(jī)器人的自動(dòng)導(dǎo)航作業(yè)任務(wù)，通過高精地圖可以進(jìn)一步保證自動(dòng)駕駛過程中車輛的定位，導(dǎo)航，規(guī)劃等每一個(gè)需要“依賴“地圖的環(huán)節(jié)。即使如此，在投入如此巨大后獲取的自動(dòng)駕駛高精地圖其精度和穩(wěn)定性也是堪憂，其地圖質(zhì)量還是遠(yuǎn)不如測(cè)繪工作中獲取的三維重建地圖。

凡事都有兩面性，高精地圖給自動(dòng)駕駛帶來巨大輔助作用的頭頂上卻是懸掛在“三把危險(xiǎn)的利刃“：第一把利刃是大量前期投入---資金、人力和周期、第二把是實(shí)現(xiàn)高精地圖的技術(shù)、第三把則是政治、資質(zhì)的問題。

歡迎關(guān)注微信公眾號(hào)「3D視覺工坊」，加群/文章投稿/課程主講，請(qǐng)加微信：dddvisiona，添加時(shí)請(qǐng)備注：加群/投稿/主講申請(qǐng)

本節(jié)并不會(huì)針對(duì)上述提到的三個(gè)制約問題進(jìn)行展開，而是繼續(xù)介紹一些嘗試擺脫“制作高精地圖”的方案，并嘗試從中找出SLAM相關(guān)技術(shù)的影子。?傳統(tǒng)高精地圖制作與使用以谷歌和百度等第一波發(fā)展自動(dòng)駕駛的企業(yè)為代表，其地圖數(shù)據(jù)的采集主要利用測(cè)繪車獲取環(huán)境數(shù)據(jù)并大體上按照上文中提及的制作流程完成高精地圖的“生產(chǎn)”，可見：“過度依賴專業(yè)測(cè)繪車”、“人工標(biāo)注成本和工期”和“應(yīng)用資質(zhì)”造成了高精地圖生產(chǎn)的高昂成本，由此限制了其大規(guī)模的應(yīng)用。為了緩和上述的約束條件，嘗試代替高精地圖的第一個(gè)階段性方案就是用“眾包”替換“直接制作“?，以特斯拉FSD、Mobileye的REM(Road Experience Management)和Civil Maps的CityScaleHDMaps為例，其強(qiáng)調(diào)的是不采用基礎(chǔ)地圖作為數(shù)據(jù)，而是通過訓(xùn)練感知與預(yù)測(cè)算法，直接上傳車輛行駛過程中的環(huán)境數(shù)據(jù)到云端，再由云端實(shí)現(xiàn)數(shù)據(jù)的處理和地圖制作，最后在車輛需要使用地圖時(shí)進(jìn)行車端下載和使用，由此可以在傳統(tǒng)高精地圖的第一和第三階段節(jié)省大量的資金、人力和時(shí)間投入，將繁雜的”高精“制作流程改良成了”輕量化“的地圖生成。除此之外，第二種優(yōu)化的策略是改善傳統(tǒng)高精地圖第二階段中的復(fù)雜信息提取?，避免人工標(biāo)注成本，很多研究機(jī)構(gòu)和企業(yè)傾向于使用更加簡(jiǎn)單輕量的語義信息來生成車載端需要的自動(dòng)駕駛地圖以輔助自動(dòng)駕駛的定位、感知、決策等模塊，例如華為智能車BU發(fā)表的RoadMap：利用語義分割的方法提取斑馬線、行車道路信息和地面標(biāo)識(shí)等語義信息，累積多幀數(shù)據(jù)構(gòu)建local map和投影到此local map的語義信息?，最后以”語義local map“為單位上傳至云端處理。從自動(dòng)駕駛的復(fù)雜需求到近期熱門的自動(dòng)駕駛領(lǐng)域子業(yè)務(wù)---自動(dòng)泊車(Autonomous Valet Parking)，不難發(fā)現(xiàn)其技術(shù)的工程應(yīng)用中也是“摒棄”了高精地圖的使用，但不使用高精地圖并代表不需要地圖，市面上較為成熟的自動(dòng)泊車業(yè)務(wù)應(yīng)用中多數(shù)是使用帶有語義特征信息的地圖來輔助車輛定位的高精度、高魯棒性實(shí)現(xiàn)，仍以秦通大佬的作品AVP-SALM為例：使用環(huán)視視覺圖片完成語義特征的提取，隨后利用車輛里程計(jì)的位姿估計(jì)完成語義特征的多幀拼接構(gòu)建地圖，通過回環(huán)檢測(cè)來修正誤差以完成定位圖層的生成。

圖：AVP-SLAM的應(yīng)用

至此，完成了簡(jiǎn)單了替代“高精地圖”方案的介紹，但可以得出的是即使不進(jìn)行高精地圖的制作與使用，自動(dòng)駕駛或自動(dòng)泊車領(lǐng)域仍然需要地圖，而且地圖的生成還是與SLAM技術(shù)中地圖構(gòu)建操作存在重合：依據(jù)車輛多傳感器融合的里程計(jì)位姿輸出，拼接環(huán)境傳感器的數(shù)據(jù)信息（語義、圖像特征），并還采用回環(huán)檢測(cè)技術(shù)修正里程計(jì)誤差，最終完成定位圖層的地圖構(gòu)建與保存。

4、小結(jié)

最后，不妨結(jié)合上文，針對(duì)移動(dòng)機(jī)器人的自動(dòng)導(dǎo)航應(yīng)用與自動(dòng)駕駛領(lǐng)域應(yīng)用，做這兩個(gè)“相似”領(lǐng)域間的橫向?qū)Ρ确治觯?/p>

• 相似點(diǎn)：自動(dòng)駕駛定位模塊中需要做利用多傳感器融合技術(shù)進(jìn)行車輛（對(duì)應(yīng)機(jī)器人）的位姿估計(jì)以完成里程計(jì)的高精度穩(wěn)定的輸出，自動(dòng)駕駛領(lǐng)域中強(qiáng)調(diào)的感知模塊一方面是加強(qiáng)車輛在自動(dòng)駕駛過程中的規(guī)劃、決策控制（對(duì)應(yīng)機(jī)器人中自動(dòng)導(dǎo)航中的簡(jiǎn)單感知），另一方面是可作用在建圖模塊前的（語義等）特征提取，再就是自動(dòng)駕駛中的建圖模塊完成基于里程計(jì)信息和回環(huán)檢測(cè)的（語義）特征拼接和標(biāo)注（與機(jī)器人建圖模塊實(shí)現(xiàn)相似），最后不論是自動(dòng)駕駛還是自主代客泊車都是規(guī)劃決策和運(yùn)動(dòng)控制利用輸出的（語義標(biāo)注）特征地圖進(jìn)行自動(dòng)化實(shí)現(xiàn)。

• 差異點(diǎn)：自動(dòng)駕駛中前端強(qiáng)依賴慣導(dǎo)做里程計(jì)推算（個(gè)人理解），往往不需要LiDAR(或視覺)的匹配算法，即使需要使用外部傳感器也是以GNSS\RTK為主，地圖構(gòu)建部分雖還是拼接車端外部傳感器（視覺傳感器）獲取的環(huán)境信息，但自動(dòng)駕駛中的環(huán)境信息需要有更加精細(xì)地預(yù)處理的步驟（比如語義特征點(diǎn)云信息提?。珮?biāo)注），而機(jī)器人的建圖是由原始點(diǎn)云或特征拼接即可。

由此可見，自動(dòng)駕駛和移動(dòng)機(jī)器人中SLAM技術(shù)實(shí)現(xiàn)與應(yīng)用細(xì)節(jié)差別很大，移動(dòng)機(jī)器人仍強(qiáng)依賴LiDAR（或視覺）的匹配算法和回環(huán)修正，基于慣性傳感器的位姿推算模塊不如自動(dòng)駕駛中那么重要。

回歸主題：“在自動(dòng)駕駛企業(yè)擺脫高精地圖依賴的情況下，SLAM算法在自動(dòng)駕駛行車過程中還有什么意義？”，根據(jù)上文的介紹可得出兩點(diǎn)結(jié)論，第一，自動(dòng)駕駛所謂的“擺脫”高精地圖并不等價(jià)于自動(dòng)駕駛不需要地圖，真正想要“擺脫”的是傳統(tǒng)高精地圖制作流程的限制、制約，替代方案中“眾包”和語義提取也是僅僅改變了高精地圖制作時(shí)數(shù)據(jù)的采集、存儲(chǔ)和信息提取的方式，但地圖生成與構(gòu)建的技術(shù)方案仍與之前大致相同，與SLAM技術(shù)中地圖構(gòu)建技術(shù)存在大量重合。第二，SLAM技術(shù)可以說是自動(dòng)駕駛實(shí)現(xiàn)與應(yīng)用的基礎(chǔ)，比如傳感器的標(biāo)定、時(shí)間同步、數(shù)據(jù)預(yù)處理、多傳感器融合、回環(huán)檢測(cè)、位姿圖優(yōu)化和地圖構(gòu)建等，只不過自動(dòng)駕駛中會(huì)在其基礎(chǔ)上加強(qiáng)感知模塊和決策控制模塊的介入，特別是感知模塊在自動(dòng)駕駛中會(huì)有更大的舞臺(tái)表現(xiàn)，突出在實(shí)現(xiàn)自動(dòng)駕駛這個(gè)復(fù)雜需求時(shí)的細(xì)節(jié)描述與表達(dá)，幫助自動(dòng)駕駛技術(shù)在復(fù)雜場(chǎng)景下仍能穩(wěn)定安全地運(yùn)行。

最后的最后，不論是SLAM技術(shù)還是自動(dòng)駕駛技術(shù)，其涵蓋的知識(shí)和內(nèi)容是如同廣袤深海一般無窮無盡，本人僅僅是針對(duì)“在自動(dòng)駕駛企業(yè)擺脫高精地圖依賴的情況下，SLAM算法在自動(dòng)駕駛行車過程中還有什么意義？”這一主題進(jìn)行簡(jiǎn)單的經(jīng)驗(yàn)和理解分享，寫到此處的我仍覺得很多細(xì)節(jié)難以展開說明，很多概念仍有些模棱兩可難以表述清晰。但不論如何，本人嘗試盡可能地能持以一個(gè)“系統(tǒng)大局”和“相似領(lǐng)域間的橫向?qū)Ρ取钡慕嵌葋硗瓿纱似窒恚Ｍ芴岢鲆恍┬碌乃伎己驼归_一個(gè)新的角度。勉之期不止，多獲由力耘，路漫漫其修遠(yuǎn)兮，吾將上下而求索。

參考文獻(xiàn)：

[1] Qin, Tong, et al. “AVP-Slam: Semantic Visual Mapping and Localization for Autonomous Vehicles in the Parking Lot.” 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2020, doi:10.1109/iros45743.2020.9340939.

[2] “變革前夜生變？解讀高精地圖的宿命之爭(zhēng).”新出行， www.xchuxing.com/article/27774.

[3] Civil Maps, civilmaps.com/#.

[4] “去年被福特投資后，Civil Maps為自動(dòng)駕駛車交出了新的成績(jī)單.” 雷峰網(wǎng), www.leiphone.com/category/transportation/PO2emnWpColTqLJn.html.

[5] Qin, Tong, et al. “A Light-Weight Semantic Map for Visual Localization towards Autonomous Driving.” 2021 IEEE International Conference on Robotics and Automation (ICRA), 2021, doi:10.1109/icra48506.2021.9561663.

[6] T. Schneider, M. Dymczyk, M. Fehr, K. Egger, S. Lynen, I. Gilitschenski, and R. Siegwart, “maplab: An open framework for research invisual-inertial mapping and localization,” IEEE Robotics and Automation Letters, vol. 3, no. 3, pp. 1418–1425, 2018.

[7] T. Qin, P. Li, and S. Shen, “Relocalization, global optimization and map merging for monocular visual-inertial slam.” in Proc. of the IEEE Int. Conf. on Robot. and Autom., Brisbane, Australia, 2018, accepted.

[8] M. Schreiber, C. Knoppel, and U. Franke, “Laneloc: Lane marking ¨ based localization using highly accurate maps,” in 2013 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2013, pp. 449–454. [17]

[9] A. Ranganathan, D. Ilstrup, and T. Wu, “Light-weight localization for vehicles using road markings,” in 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE, 2013, pp. 921– 927.

[10] J. Jeong, Y. Cho, and A. Kim, “Road-slam: Road marking based slam with lane-level accuracy,” in 2017 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2017, pp. 1736–1473.

[11] M. Herb, T. Weiherer, N. Navab, and F. Tombari, “Crowd-sourced semantic edge mapping for autonomous vehicles,” in 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE, 2019, pp. 7047–7053.

本文僅做學(xué)術(shù)分享，如有侵權(quán)，請(qǐng)聯(lián)系刪文。

添加小助理微信：dddvisiona ，進(jìn)入—>3D視覺工坊—自動(dòng)駕駛—技術(shù)交流群