[论文解读] A General Framework for Multi-vehicle Cooperative Localization Using Pose Graph

Xiaotong Shen, Hans Jørgen Andersen+4 more|arXiv (Cornell University)|Apr 5, 2017

Vehicle License Plate Recognition参考文献 22被引用 3

一句话总结

本文提出了一种鲁棒的、通用的多车协同定位框架，基于位姿图并整合来自车对车（V2V）通信的空间相对观测。通过将车辆识别建模为线性分配问题，并利用数据关联解决位姿估计的歧义，该方法在通信延迟、丢包和乱序接收等条件下仍能提升定位精度与准确性，与独立定位相比，位置不确定性降低最多0.46米，朝向不确定性降低2.9度。

ABSTRACT

When a vehicle observes another one, the two vehicles' poses are correlated by this spatial relative observation, which can be used in cooperative localization for further increasing localization accuracy and precision. To use spatial relative observations, we propose to add them into a pose graph for optimal pose estimation. Before adding them, we need to know the identities of the observed vehicles. The vehicle identification is formulated as a linear assignment problem, which can be solved efficiently. By using pose graph techniques and the start-of-the-art factor composition/decomposition method, our cooperative localization algorithm is robust against communication delay, packet loss, and out-of-sequence packet reception. We demonstrate the usability of our framework and effectiveness of our algorithm through both simulations and real-world experiments using three vehicles on the road.

研究动机与目标

• 开发一种协同定位框架，利用空间相对观测提升多车系统中的定位精度与准确性。
• 解决V2V通信中车辆识别的挑战，其中车辆使用相同频谱，仅靠信号无法区分。
• 确保在真实驾驶场景中面对通信延迟、丢包和乱序接收等约束条件下的鲁棒性。
• 在将观测结果整合到位姿图之前，解决相对位姿估计中的歧义（例如±90°或±180°航向歧义）。
• 通过引入更多传感测量（包括车对车间相对观测）扩展基于位姿图定位的适用性，超越传统里程计和地图测量。

提出的方法

• 将车辆识别建模为线性规划（LP）问题，以匹配传感器观测与通信消息，实现精确的数据关联。
• 在通过协同估计解决位姿歧义后，将来自LIDAR或其他传感器的空间相对观测整合到位姿图中。
• 采用因子组合/分解技术，在消息延迟或丢失的情况下保持图的连通性与鲁棒性。
• 通过通用线性约束（GLC）进行图边际化，以支持实时计算并实现高效的位姿估计。
• 采用时间窗位姿图方法（10秒窗口）存储并处理延迟或乱序的测量数据。
• 将里程计、地图测量与车对车间相对观测统一整合到一个因子图中，实现最优位姿估计。

实验结果

研究问题

• RQ1 当车辆使用相同频谱且缺乏唯一传输信号时，如何在V2V通信中可靠地执行车辆识别？
• RQ2 在通信延迟、丢包和乱序消息接收条件下，基于位姿图的协同定位如何保持精度与鲁棒性？
• RQ3 空间相对观测对提升多车系统中定位精度有何影响？
• RQ4 如何在将观测结果整合到位姿图之前，解决相对位姿估计中的歧义（例如±90°或±180°航向歧义）？
• RQ5 与独立定位相比，所提出的框架在多大程度上降低了定位不确定性？

主要发现

• 与独立定位（IL）相比，所提框架在三辆车上平均将位置不确定性降低0.46米，朝向不确定性降低2.9度。
• 车辆1采用协同定位（CL）方法后，平均位置不确定性降至0.33米，平均朝向不确定性为2.77°，而独立定位方法下分别为0.80米和6.24°。
• 系统对通信延迟具有鲁棒性，最大延迟为39毫秒，平均延迟远低于10秒位姿图窗口，确保延迟消息的及时整合。
• 所有消息类型的包大小均低于500字节，证实通信具有低延迟特性，适用于实时位姿图更新。
• 由于采用了因子组合/分解技术，即使在通信丢失情况下，位姿图的构建仍保持连通且一致。
• 在包含三辆车的实路实验中，框架的有效性得到验证，尤其在Y型路口和弯道等关键路段观察到显著的不确定性降低。