點(diǎn)云PCL免費(fèi)知識(shí)星球，點(diǎn)云論文速讀。

文章：Coarse-to-fine Semantic Localization with HD Map for Autonomous Driving in Structural Scenes

作者：Chengcheng Guo, Minjie Lin, Heyang Guo, Pengpeng Liang and Erkang Cheng

編譯：點(diǎn)云PCL

來(lái)源：arxiv 2021 (紐勱科技)

歡迎各位加入免費(fèi)知識(shí)星球，獲取PDF論文，歡迎轉(zhuǎn)發(fā)朋友圈。文章僅做學(xué)術(shù)分享，如有侵權(quán)聯(lián)系刪文。未經(jīng)博主同意請(qǐng)勿擅自轉(zhuǎn)載。

公眾號(hào)致力于分享點(diǎn)云處理，SLAM，三維視覺(jué)，高精地圖相關(guān)的文章與技術(shù)，歡迎各位加入我們，一起每交流一起進(jìn)步,有興趣的可聯(lián)系微信：920177957。本文來(lái)自點(diǎn)云PCL博主的分享，未經(jīng)作者允許請(qǐng)勿轉(zhuǎn)載，歡迎各位同學(xué)積極分享和交流。

摘要

魯棒準(zhǔn)確的定位是機(jī)器人導(dǎo)航和自動(dòng)駕駛車輛的重要組成部分，而利用相機(jī)在高精地圖（HD map）種進(jìn)行定位則提供了一種低成本的定位傳感器，現(xiàn)有的方法大多由于容易出錯(cuò)的數(shù)據(jù)關(guān)聯(lián)性或初始姿勢(shì)要求準(zhǔn)確性而導(dǎo)致位姿估計(jì)失敗。在本文中，我們提出了一種經(jīng)濟(jì)高效的車輛定位系統(tǒng)，該系統(tǒng)使用相機(jī)作為主要傳感器，在具有高精地圖環(huán)境中用于自動(dòng)駕駛，為此，我們將基于視覺(jué)的定位描述為一個(gè)數(shù)據(jù)關(guān)聯(lián)問(wèn)題，將視覺(jué)語(yǔ)義信息映射到高精地圖中的路標(biāo)。具體地說(shuō)，系統(tǒng)初始化是通過(guò)結(jié)粗略的GPS（全球定位系統(tǒng)）測(cè)量值和精細(xì)位姿搜索以從粗到精的方式完成的，在跟蹤階段，通過(guò)將高精地圖中的圖像和路標(biāo)之間的語(yǔ)義分割結(jié)果與光度一致性隱式對(duì)齊來(lái)精細(xì)化求解車輛位姿，最后，以滑動(dòng)窗口方式通過(guò)位姿圖優(yōu)化計(jì)算車輛位姿，我們?cè)趦蓚€(gè)數(shù)據(jù)集上評(píng)估了該方法，并證明了所提出的方法在不同的駕駛場(chǎng)景中產(chǎn)生了積極的定位結(jié)果，此外，我們的方法適用于單目攝像機(jī)和多攝像機(jī)，為定位系統(tǒng)提供了靈活性并提高了魯棒性。

主要貢獻(xiàn)

近年來(lái)，基于視覺(jué)的先驗(yàn)環(huán)境地圖定位方法得到了廣泛的研究，主要有以下三種方式：

• 點(diǎn)云地圖與矢量格式地圖：定位中的先驗(yàn)地圖可分為基于點(diǎn)云的地圖和矢量格式地圖，點(diǎn)云地圖可以由激光雷達(dá)或相機(jī)作為傳感器構(gòu)建，與點(diǎn)云地圖相比，緊湊的矢量格式高精地圖輕量化，易于部署和更新。

• 基于特征的方法：利用環(huán)境中的低級(jí)幾何特征或高級(jí)語(yǔ)義特征建立圖像與地圖之間的關(guān)聯(lián)性。

• 直接法：不需要顯式的關(guān)鍵點(diǎn)檢測(cè)器或特征描述子，它可以自然地從所有具有強(qiáng)度梯度的圖像區(qū)域中采樣像素，例如，基于圖像梯度點(diǎn)的圖像對(duì)齊來(lái)估計(jì)幀間姿勢(shì)，利用邊緣特征進(jìn)一步用于生成用于姿勢(shì)優(yōu)化的深度圖像等。

該文章的目標(biāo)是提供一個(gè)魯棒和準(zhǔn)確的基于視覺(jué)的定位系統(tǒng)，結(jié)合矢量形式的高精地圖和圖像語(yǔ)義信息，提出了一種由粗到精的視覺(jué)定位方法，在系統(tǒng)初始化步驟中，由車載GPS提供粗略初始化，然后通過(guò)窮舉姿勢(shì)搜索進(jìn)行細(xì)化，在跟蹤階段，通過(guò)將圖像語(yǔ)義感知與高精地圖中具有相同語(yǔ)義的地標(biāo)對(duì)齊來(lái)估計(jì)姿態(tài)，具體地說(shuō)，對(duì)于給定的一幅或多幅圖像，首先通過(guò)深度學(xué)習(xí)方法得到高精地圖中實(shí)體的語(yǔ)義分割結(jié)果，基于分割結(jié)果，利用類距離變換函數(shù)構(gòu)建成本圖，最小化成本可以定義為成本地圖上地標(biāo)的投影光度誤差，在附加車輪里程計(jì)信息的情況下，通過(guò)滑動(dòng)窗口方案中的位姿圖優(yōu)化計(jì)算最終位姿，最后，跟蹤丟失恢復(fù)模塊負(fù)責(zé)在跟蹤階段發(fā)生故障時(shí)重新初始化系統(tǒng)，該系統(tǒng)運(yùn)行圖如圖1所示。

圖1 基于高精地圖的視覺(jué)定位運(yùn)行效果

主要貢獻(xiàn)：

• 通過(guò)利用語(yǔ)義分割和高精地圖，提出了一個(gè)完整的視覺(jué)定位系統(tǒng)，包括初始化、跟蹤和跟蹤丟失恢復(fù)模塊。

• 我們的解決方案可靈活處理單目攝像頭和多攝像頭系統(tǒng)。

• 我們?cè)趦蓚€(gè)數(shù)據(jù)集上評(píng)估了我們的方法，并證明我們的方法在不同的駕駛場(chǎng)景中產(chǎn)生了積極的定位結(jié)果。

主要內(nèi)容

圖2，提出的視覺(jué)定位系統(tǒng)概述，基于先驗(yàn)的地圖、低成本GPS、輪速里程計(jì)輸入和攝像頭信息，可以以厘米級(jí)精度估計(jì)6自由度姿態(tài)

A.高精地圖

高精度地圖在自主駕駛中，通常是一種簡(jiǎn)單且靈活的環(huán)境結(jié)構(gòu)表達(dá)方式代表著駕駛場(chǎng)景，在車輛定位中，使用地圖元素路標(biāo)（ lanemarkings ?LA）、桿狀物體（ pole-like objects ?PO）、標(biāo)志牌（ signboards SB），這些元素由HD地圖中連續(xù)有序的三維點(diǎn)集合來(lái)描述，圖2的跟蹤部分中的圖形顯示了上述語(yǔ)義元素，在定位系統(tǒng)中，可以根據(jù)當(dāng)前車輛位置和給定的搜索半徑查詢地圖元素，對(duì)于查詢到的地標(biāo)，我們以固定長(zhǎng)度間隔采樣點(diǎn)作為地標(biāo)代表。

B.語(yǔ)義分割和后處理

為了找到高精地圖元素與圖像的對(duì)應(yīng)關(guān)系，采用語(yǔ)義分割的方法提取圖像的語(yǔ)義特征，我們提出了一個(gè)輕量級(jí)的深度學(xué)習(xí)網(wǎng)絡(luò)，可以提供有效的分割結(jié)果，深度學(xué)習(xí)的主干是Resnet-18，并在Cityscape數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，該網(wǎng)絡(luò)是一個(gè)多頭部結(jié)構(gòu)，每個(gè)頭部是高精地圖中一個(gè)元素（LA、PO或SB）的二進(jìn)制分割，用于定位。通過(guò)使用語(yǔ)義分割圖進(jìn)行非線性優(yōu)化來(lái)實(shí)現(xiàn)車輛姿態(tài)估計(jì)，這里使用不同的后處理方法對(duì)高精地圖中的不同元素進(jìn)行語(yǔ)義分割，給定車道和極點(diǎn)的分割結(jié)果，使用腐蝕和膨脹操作生成梯度圖像，對(duì)于標(biāo)志地標(biāo)，采用拉普拉斯變換提取邊緣信息，然后利用形態(tài)學(xué)運(yùn)算得到平滑的梯度圖像。

圖3，距離變換和形態(tài)學(xué)運(yùn)算的比較。左：車道標(biāo)線分割圖像；中間：基于距離變換的代價(jià)或者成本圖；右：形態(tài)學(xué)操作后的代價(jià)圖。

圖3顯示了所提出方法使用的距離變換和形態(tài)學(xué)操作之間的圖像差異，形態(tài)學(xué)運(yùn)算生成的代價(jià)圖更容易使姿態(tài)優(yōu)化收斂到正確的結(jié)果，最后，將處理后的分割結(jié)果在[0,1]范圍內(nèi)進(jìn)行轉(zhuǎn)換。

C.初始化

初始化模塊的目的是在地圖坐標(biāo)系中獲得相對(duì)精確的姿態(tài)估計(jì)，以便進(jìn)行后續(xù)的姿態(tài)跟蹤步驟,我們以從粗到精的方式介紹了一種魯邦而精確的初始化方法，具體而言，是由兩個(gè)有效的GPS信息計(jì)算粗略的初始姿態(tài)Twb，由于車輛可能處于靜止?fàn)顟B(tài)，兩個(gè)GPS點(diǎn)的距離設(shè)置為中值，車輛的x和y平面坐標(biāo)設(shè)置為第二個(gè)有效點(diǎn)，根據(jù)地圖近地面元素搜索得到z坐標(biāo)，此外，車輛的側(cè)傾角θx和俯仰角θy設(shè)置為零，偏航角θz設(shè)置為兩個(gè)選定測(cè)量的方向，為了獲得較高的初始化成功率和更精確的初始姿勢(shì)結(jié)果，通過(guò)在預(yù)定義網(wǎng)格中進(jìn)行窮舉位姿搜索來(lái)細(xì)化粗略的初始姿勢(shì)，搜索和優(yōu)化成本由所有語(yǔ)義地標(biāo)的光度殘差之和定義，可以表示為：

在等式1中 ，Pw是地圖中元素{Ei}的3D世界坐標(biāo)，Tbc是相對(duì)于車輛基線的相機(jī)外參，π是基于攝像機(jī)模型的投影函數(shù)，對(duì)于不同的姿態(tài)自由度，我們使用不同的搜索參數(shù)、搜索步長(zhǎng)和搜索范圍。例如，車輛橫向位置的搜索步長(zhǎng)和范圍設(shè)置為0.2m和[-10m，10m]，這涵蓋了車載GPS的誤差容限，最后，將具有最小代價(jià)的姿勢(shì)組合視為當(dāng)前初始化幀的姿勢(shì)，通過(guò)CUDA加速實(shí)現(xiàn)了高效的計(jì)算。

D.跟蹤

在給定初始姿態(tài)后，進(jìn)行跟蹤階段，基于語(yǔ)義特征和先驗(yàn)地圖的估計(jì)車輛姿態(tài)，跟蹤模塊可分為三個(gè)步驟。首先，基于k時(shí)刻的姿態(tài)估計(jì)和其它傳感器輸入，如車輪里程測(cè)量值，預(yù)測(cè)k+1幀的車輛姿態(tài)。如果駕駛場(chǎng)景滿足縱向約束設(shè)置，則執(zhí)行全局地圖步驟中的裁剪局部地圖，否則，首先應(yīng)用縱向位置校正過(guò)程。

• 從全局地圖元素（LA、PO和SB）裁剪局部地圖將使用當(dāng)前粗略的車輛姿勢(shì)在預(yù)定義的閾值距離內(nèi)從全局地圖查詢，然后利用查詢到的局部地圖進(jìn)行無(wú)漂移視覺(jué)定位，將地圖元素E投影回圖像點(diǎn)P。為了獲得精確的姿勢(shì)優(yōu)化，P中的點(diǎn)在圖像空間中均勻采樣。

• 縱向位置校正如果駕駛場(chǎng)景不滿足縱向約束條件，經(jīng)過(guò)長(zhǎng)時(shí)間后，縱向定位可能會(huì)出現(xiàn)顯著漂移，這種縱向位置校正模塊能夠避免在惡劣環(huán)境條件下，特別是在長(zhǎng)時(shí)間內(nèi)，縱向定位的漂移問(wèn)題。

其次，通過(guò)與高精地圖元素的圖像對(duì)齊來(lái)細(xì)化6自由度車輛姿態(tài)，基于圖像語(yǔ)義分割和形態(tài)學(xué)操作，已經(jīng)建立了代價(jià)圖，通過(guò)非線性優(yōu)化（Levenberg-Marquardt（LM））解決對(duì)準(zhǔn)問(wèn)題，如果場(chǎng)景中缺少垂直地標(biāo)（如招牌或標(biāo)桿），則通過(guò)計(jì)算θy、θz、ty和tz，首先估計(jì)θy、θz和ty，然后優(yōu)化θy和tz。θx和tx不包括在內(nèi)，因?yàn)楫?dāng)車輛在平地上行駛時(shí)，側(cè)傾角通常很小，并且當(dāng)車輛和搜索車道相互平行時(shí)，車輛的縱向位移不可用，此外，為了折衷優(yōu)化中缺少的側(cè)傾角度，車輛旋轉(zhuǎn)使用大范圍的通過(guò)暴力搜索進(jìn)行微調(diào)。旋轉(zhuǎn)的搜索間隔設(shè)置為0.5度。

最后，為了使規(guī)劃模塊獲得更平滑的姿態(tài)，提高定位系統(tǒng)的魯棒性，采用了帶有滑動(dòng)窗口的姿態(tài)圖，優(yōu)化窗口中包含跟蹤良好的幀數(shù)據(jù)，如果滑動(dòng)窗口的大小超過(guò)閾值，歷史記錄中的一幀將根據(jù)車輛狀態(tài)從滑動(dòng)窗口中剔除。例如，如果車輛里程測(cè)量值接近零，則使用第二個(gè)最新幀，否則使用最舊幀。在姿態(tài)優(yōu)化中，因子圖由兩部分組成，第一部分是每幀的先驗(yàn)姿態(tài)因子，約束其視覺(jué)對(duì)齊的先驗(yàn)分布，另一個(gè)是車輪里程計(jì)系數(shù)，它建立相鄰幀之間的連接，以確保平滑的姿勢(shì)輸出，位姿圖優(yōu)化的總殘差如等式所示：

E.優(yōu)化?

關(guān)于損失函數(shù)梯度的優(yōu)化細(xì)節(jié)在以下方程式中推導(dǎo)，相對(duì)于優(yōu)化狀態(tài)的誤差雅可比矩陣通常用于加速非線性優(yōu)化方法（如高斯-牛頓法或LM法）的過(guò)程：

為了支持多攝像機(jī)觀測(cè)，優(yōu)化狀態(tài)是車輛姿態(tài)而不是相機(jī)姿態(tài)，相機(jī)的外參Tbc用于車輛和攝像機(jī)坐標(biāo)系之間的轉(zhuǎn)換，優(yōu)化狀態(tài)中不包括相機(jī)外參數(shù)。單個(gè)圖像的優(yōu)化結(jié)果如圖4所示。

圖4，將高精地圖元素投影到圖像的優(yōu)化示例，初始姿勢(shì)投影為紅色，優(yōu)化結(jié)果為綠色。

F.跟蹤丟失恢復(fù)系統(tǒng)

跟蹤系統(tǒng)可能在以下三種情況下丟失：

（1）車輛不在HD地圖的范圍內(nèi)；

（2） 姿勢(shì)優(yōu)化失敗的總數(shù)超過(guò)閾值；

（3） 嚴(yán)重遮擋的連續(xù)幀數(shù)超過(guò)閾值（例如，在語(yǔ)義地圖元素完全不可見(jiàn)的交通堵塞情況下會(huì)發(fā)生這種情況）。

跟蹤置信度計(jì)算模塊將根據(jù)上述統(tǒng)計(jì)指標(biāo)確定系統(tǒng)狀態(tài)，當(dāng)定位系統(tǒng)處于丟失狀態(tài)時(shí)，跟蹤丟失恢復(fù)模式被激活，丟失幀的姿勢(shì)替換為從車輪里程計(jì)推斷的備用姿勢(shì)，即優(yōu)化前的姿勢(shì)，給定下一幀，為了激活跟蹤階段，系統(tǒng)再次進(jìn)入初始化狀態(tài)。

實(shí)驗(yàn)

本文在兩個(gè)數(shù)據(jù)集上對(duì)所提出的算法進(jìn)行了評(píng)估：

• 第一個(gè)數(shù)據(jù)集包含上海約30公里的高架結(jié)構(gòu)化場(chǎng)景，由第三方地圖供應(yīng)商提供。地圖元素包括車道標(biāo)記、標(biāo)志牌和標(biāo)桿，由于矢量格式的地圖表示，地圖的存儲(chǔ)大小為KB級(jí)。定位系統(tǒng)在多種情況下進(jìn)行評(píng)估，包括各種天氣條件、光照強(qiáng)度和不同路線。

• 第二個(gè)數(shù)據(jù)集是公共Kaist數(shù)據(jù)集，由于Kaist數(shù)據(jù)集不提供所提出算法所需的語(yǔ)義地圖，因此利用激光雷達(dá)和慣性導(dǎo)航系統(tǒng)的立體相機(jī)數(shù)據(jù)和高精度定位姿態(tài)來(lái)構(gòu)建語(yǔ)義地標(biāo)地圖，定性和定量實(shí)驗(yàn)結(jié)果用于評(píng)估該方法的準(zhǔn)確性和魯棒性。

A.定性分析結(jié)果

精確定位可確保地圖元素在圖像上的投影與語(yǔ)義感知完全一致（如圖5（A））。

圖 5?高精地圖與圖像語(yǔ)義分割對(duì)齊示例

圖5列出了HD地圖和圖像語(yǔ)義分割之間的對(duì)齊示例。（b）-（g）的結(jié)果是（a）中使用的車輛姿態(tài)小擾動(dòng)下的對(duì)準(zhǔn)，角度擾動(dòng)量為2度，平移擾動(dòng)量為1米，我們可以看到，HD地標(biāo)的投影隨著俯仰、偏航、y和z的擾動(dòng)而變化很大，相比之下，投影結(jié)果受側(cè)傾角和車輛前進(jìn)方向擾動(dòng)的影響較小，此外，由于成像比例與車輛高度密切相關(guān)，車道標(biāo)記投影將擴(kuò)展到圖像邊界或收縮到具有錯(cuò)誤車輛高度的圖像中心，因此，如果沒(méi)有標(biāo)志牌或標(biāo)桿，則優(yōu)化階段不包括側(cè)傾角度和車輛縱向位置。

圖6，上海數(shù)據(jù)集的定性結(jié)果，不同場(chǎng)景的投影效果

上海數(shù)據(jù)集和Kaist數(shù)據(jù)集的投影結(jié)果如圖6和圖7所示，例如，不同場(chǎng)景的結(jié)果如圖6所示：（1-2）彎道；（3） 陽(yáng)光明媚的日子里，長(zhǎng)長(zhǎng)的直道；（4） 多雨；（5） 擋風(fēng)玻璃雨刮器阻擋部分圖像；（6） 分流匝道；（7） 低照度；（8-9）交通堵塞。我們的視覺(jué)定位系統(tǒng)在這些場(chǎng)景中實(shí)現(xiàn)了穩(wěn)健的結(jié)果。

圖7，Kaist數(shù)據(jù)集的定性結(jié)果，左：矢量格式地標(biāo)hdmap和投影結(jié)果，中間和右邊是兩個(gè)不同場(chǎng)景的投影結(jié)果

表中報(bào)告了幾種數(shù)據(jù)序列的定位精度評(píng)估。在實(shí)驗(yàn)中，在序列3中使用寬攝像機(jī)（視場(chǎng)為120度），而在其他序列中使用具有42.5度視場(chǎng)的攝像機(jī)，平均旋轉(zhuǎn)誤差小于1度，橫向誤差和縱向誤差約為20cm，如果通過(guò)從順序中的任何幀初始化，在10幀內(nèi)定位成功，則此幀將標(biāo)記為初始化成功幀，初始化成功率可以通過(guò)手動(dòng)標(biāo)記和觀察來(lái)計(jì)算，我們提出的定位初始化策略實(shí)現(xiàn)了大約90%的成功率，初始化失敗主要是由于信號(hào)阻塞導(dǎo)致GPS信號(hào)差，此外，廣角攝像機(jī)在橫向上捕獲了更多的語(yǔ)義元素，提高了序列3的定位精度。

B.定量評(píng)估結(jié)果

由于加密問(wèn)題，第三方地圖無(wú)法精確匹配全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）慣性導(dǎo)航系統(tǒng)Novatel的高精度軌跡。采用相對(duì)位姿誤差（RPE）作為定位精度的評(píng)價(jià)指標(biāo)，由于橫向和縱向定位精度比其他指標(biāo)更為關(guān)鍵，實(shí)驗(yàn)中報(bào)告了這兩個(gè)誤差。

圖8 序列1的橫向和縱向定位誤差

C.場(chǎng)景變化挑戰(zhàn)

高精地圖通常無(wú)法及時(shí)更新，而我們提出的算法對(duì)小規(guī)模的城市環(huán)境變化具有魯棒性，此外，我們的方法能夠確定地圖的變化區(qū)域，這對(duì)定位和地圖應(yīng)用具有重要意義。圖9顯示了在駕駛場(chǎng)景中改變的標(biāo)志牌布局。我們的方法可以（1）實(shí)現(xiàn)魯棒定位

（2）根據(jù)攝像機(jī)和地圖之間的偏差報(bào)告地圖中的更新區(qū)域。

圖9，高精地圖沒(méi)有及時(shí)更新的例子，例如，場(chǎng)景中缺少幾個(gè)交通標(biāo)志（青色的矩形表示）

D .支持多相機(jī)

視野為42.5度的前攝像機(jī)和視野為195度的后魚(yú)眼攝像機(jī)作為我們的多攝像機(jī)定位實(shí)驗(yàn)傳感器設(shè)置，為了簡(jiǎn)化計(jì)算，將原始魚(yú)眼圖像轉(zhuǎn)換為針孔圖像，圖10說(shuō)明了使用兩個(gè)攝像頭和僅使用后攝像頭模擬前攝像頭禁用的定位結(jié)果，結(jié)果表明，即使前視攝像機(jī)失效，仍能獲得成功的定位結(jié)果，因此，多攝像機(jī)設(shè)置提高了定位系統(tǒng)的魯棒性和準(zhǔn)確性。

圖10，多相機(jī)（如前后）視覺(jué)定位示例。（a） 前后都有相機(jī)。（b）前相機(jī)在系統(tǒng)中禁用

總結(jié)

在本文中，我們提出了一種基于視覺(jué)的定位系統(tǒng)，該系統(tǒng)使用輪速里程計(jì)、普通汽車配備的消費(fèi)級(jí)GPS、高精地圖和攝像頭。該系統(tǒng)能夠處理單目和多攝像頭傳感器設(shè)置定位，并且證明了我們的系統(tǒng)對(duì)不同的環(huán)境條件和駕駛場(chǎng)景的變化具有魯棒性，并獲得了準(zhǔn)確的定位結(jié)果。在未來(lái)的工作中，我們將把IMU引入定位系統(tǒng)，建立視覺(jué)慣性里程計(jì)和GNSS-IMU慣性導(dǎo)航系統(tǒng)，VIO系統(tǒng)和INS系統(tǒng)的姿態(tài)輸出將與我們算法的定位結(jié)果有效融合，形成一個(gè)實(shí)用的低成本批量生產(chǎn)定位系統(tǒng)。

資源

三維點(diǎn)云論文及相關(guān)應(yīng)用分享

【點(diǎn)云論文速讀】基于激光雷達(dá)的里程計(jì)及3D點(diǎn)云地圖中的定位方法

3D目標(biāo)檢測(cè)：MV3D-Net

三維點(diǎn)云分割綜述（上）

3D-MiniNet: 從點(diǎn)云中學(xué)習(xí)2D表示以實(shí)現(xiàn)快速有效的3D LIDAR語(yǔ)義分割（2020）

win下使用QT添加VTK插件實(shí)現(xiàn)點(diǎn)云可視化GUI

JSNet：3D點(diǎn)云的聯(lián)合實(shí)例和語(yǔ)義分割

大場(chǎng)景三維點(diǎn)云的語(yǔ)義分割綜述

PCL中outofcore模塊---基于核外八叉樹(shù)的大規(guī)模點(diǎn)云的顯示

基于局部凹凸性進(jìn)行目標(biāo)分割

基于三維卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云標(biāo)記

點(diǎn)云的超體素(SuperVoxel)

基于超點(diǎn)圖的大規(guī)模點(diǎn)云分割

更多文章可查看：點(diǎn)云學(xué)習(xí)歷史文章大匯總

SLAM及AR相關(guān)分享

【開(kāi)源方案共享】ORB-SLAM3開(kāi)源啦！

【論文速讀】AVP-SLAM：自動(dòng)泊車系統(tǒng)中的語(yǔ)義SLAM

【點(diǎn)云論文速讀】StructSLAM:結(jié)構(gòu)化線特征SLAM

SLAM和AR綜述

常用的3D深度相機(jī)

AR設(shè)備單目視覺(jué)慣導(dǎo)SLAM算法綜述與評(píng)價(jià)

SLAM綜述(4)激光與視覺(jué)融合SLAM

Kimera實(shí)時(shí)重建的語(yǔ)義SLAM系統(tǒng)

SLAM綜述(3)-視覺(jué)與慣導(dǎo)，視覺(jué)與深度學(xué)習(xí)SLAM

易擴(kuò)展的SLAM框架-OpenVSLAM

高翔：非結(jié)構(gòu)化道路激光SLAM中的挑戰(zhàn)

SLAM綜述之Lidar SLAM

基于魚(yú)眼相機(jī)的SLAM方法介紹

掃描下方微信視頻號(hào)二維碼可查看最新研究成果及相關(guān)開(kāi)源方案的演示：

如果你對(duì)本文感興趣，請(qǐng)后臺(tái)發(fā)送“知識(shí)星球”獲取二維碼，務(wù)必按照“姓名+學(xué)校/公司+研究方向”備注加入免費(fèi)知識(shí)星球，免費(fèi)下載pdf文檔，和更多熱愛(ài)分享的小伙伴一起交流吧！

以上內(nèi)容如有錯(cuò)誤請(qǐng)留言評(píng)論，歡迎指正交流。如有侵權(quán)，請(qǐng)聯(lián)系刪除

掃描二維碼

? ? ? ? ? ? ? ? ? ?關(guān)注我們

讓我們一起分享一起學(xué)習(xí)吧！期待有想法，樂(lè)于分享的小伙伴加入免費(fèi)星球注入愛(ài)分享的新鮮活力。分享的主題包含但不限于三維視覺(jué)，點(diǎn)云，高精地圖，自動(dòng)駕駛，以及機(jī)器人等相關(guān)的領(lǐng)域。

分享及合作方式：微信“920177957”（需要按要求備注） 聯(lián)系郵箱：dianyunpcl@163.com，歡迎企業(yè)來(lái)聯(lián)系公眾號(hào)展開(kāi)合作。

點(diǎn)一下“在看”你會(huì)更好看耶

總結(jié)

以上是生活随笔為你收集整理的自动驾驶车辆在结构化场景中基于HD-Map由粗到精语义定位的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。