[论文解读] A Survey on 3D LiDAR Localization for Autonomous Vehicles

Mahdi Elhousni, Xinming Huang|arXiv (Cornell University)|Jun 1, 2020

Robotics and Sensor-Based Localization参考文献 57被引用 4

一句话总结

本综述回顾了用于自动驾驶汽车的基于3D LiDAR的定位方法，将其分类为3D配准、基于特征的方法以及深度学习方法。研究发现，尽管深度学习方法在基准数据集上表现出色，但传统方法如LOAM由于速度和可靠性更高，仍更适合实时部署。

ABSTRACT

LiDAR sensors are becoming one of the most essential sensors in achieving full autonomy for self driving cars. LiDARs are able to produce rich, dense and precise spatial data, which can tremendously help in localizing and tracking a moving vehicle. In this paper, we review the latest finding in 3D LiDAR localization for autonomous driving cars, and analyse the results obtained by each method, in an effort to guide the research community towards the path that seems to be the most promising.

研究动机与目标

• 回顾并分析自动驾驶领域中3D LiDAR定位的最新进展。
• 在KITTI里程计基准上比较3D配准、基于特征和基于深度学习的方法的性能。
• 评估这些方法在实际部署中的可行性，重点关注效率和鲁棒性。
• 通过识别最具有前景的准确且实时定位路径，为未来研究提供指导。

提出的方法

• 将3D LiDAR定位方法主要分为三类：3D配准、3D特征提取和基于深度学习的方法。
• 回顾关键技术，如迭代 closest point (ICP) 及其变体（点到平面ICP、广义ICP），以及使用法向协方差滤波器和几何对应关系剔除器进行特征提取。
• 分析深度学习模型，包括L3-Net和DeepICP，这些模型利用PointNet++进行特征提取，并通过学习残差校正来提升里程计估计精度。
• 在深度学习模型中采用多损失训练策略，结合几何一致性、里程计回归和交叉熵损失以实现正则化。
• 使用KITTI里程计数据集进行评估，重点关注经过预处理的LiDAR扫描数据以及GPS/INS真值数据。
• 在训练集和测试集上进行比较，排除具有回环检测的模型，以确保对核心定位性能的公平比较。

实验结果

研究问题

• RQ1 基于3D配准的方法在LiDAR定位中的精度和计算效率方面表现如何？
• RQ2 在真实自动驾驶场景中，基于3D特征的方法具有哪些优势和局限性？
• RQ3 与经典方法相比，基于深度学习的方法在多大程度上提升了定位精度？
• RQ4 为何最先进的深度学习模型尽管在基准测试中表现优异，但在实时部署中仍显滞后？
• RQ5 哪些因素使得传统方法如LOAM比深度学习替代方案更适合在真实自动驾驶车辆中部署？

主要发现

• DeepICP在KITTI训练数据集上报告了最佳平均性能，其定位精度优于其他方法。
• 尽管在训练集上表现优异，DeepICP每帧需要约2秒的处理时间，因此无法满足自动驾驶车辆的实时运行需求。
• LOAM及其变体由于在精度、速度和真实环境下的鲁棒性之间达到良好平衡，仍是目前最可靠且可部署的解决方案。
• 尽管基于深度学习的方法前景广阔，但尚未在KITTI测试集上展现出泛化能力，限制了其“最先进”性能的宣称。
• 基于特征的方法如LOAM凭借其高效性和稳定性，在动态户外环境中仍保持强劲表现。
• 由于缺乏深度学习模型在测试集上的结果，无法对其在真实场景中的适用性做出最终判断，尽管其在训练集上的表现非常出色。