[论文解读] Learning to Localize Using a LiDAR Intensity Map

Ioan Andrei Bârsan, Shenlong Wang+2 more|arXiv (Cornell University)|Dec 20, 2020

Robotics and Sensor-Based Localization被引用 64

一句话总结

本论文提出一个实时、标定无关的定位系统，将在线 LiDAR 漫游扫描与 aLiDAR 强度图嵌入到共享的深度空间，并通过高效的卷积匹配实现定位，在跨传感器下达到厘米级精度，工作频率为 15 Hz。

ABSTRACT

In this paper we propose a real-time, calibration-agnostic and effective localization system for self-driving cars. Our method learns to embed the online LiDAR sweeps and intensity map into a joint deep embedding space. Localization is then conducted through an efficient convolutional matching between the embeddings. Our full system can operate in real-time at 15Hz while achieving centimeter level accuracy across different LiDAR sensors and environments. Our experiments illustrate the performance of the proposed approach over a large-scale dataset consisting of over 4000km of driving.

研究动机与目标

• 为基于高清地图的感知与规划在自动驾驶中实现厘米级车辆定位提供动机。
• 提出一个在不同 LiDAR 传感器间可工作且无需标定的定位框架。
• 开发用于在线 LiDAR 扫描与预构建 LiDAR 强度地图的深度嵌入方法。
• 通过高效的频域卷积匹配实现实时定位。

提出的方法

• 将在线 LiDAR BEV 强度图像与预构建的强度地图嵌入到共同的神经嵌入空间。
• 通过在傅里叶域中对旋转后的在线嵌入与地图嵌入进行互相关，计算 LiDAR 姿态似然性。
• 将定位建模为一个深度递归贝叶斯更新，结合 LiDAR、GPS 和运动先验。
• 对以死记送姿态（dead-reckoning pose）为中心的 3-DoF 姿态（x、y、theta）进行直方图滤波式的离散搜索。
• 端到端训练系统，在得到的姿态分数图上使用交叉熵损失。
• 为姿态估计提供更平滑的结果与对观测噪声的鲁棒性，采用软 argmax。

实验结果

研究问题

• RQ1 一个学习得到的嵌入空间是否能够实现跨不同传感器的标定无关 LiDAR 定位？
• RQ2 在实时约束下，所提出的嵌入式定位的精度与鲁棒性是多少？
• RQ3 系统在从一种 LiDAR 模态到另一种模态以及在城市/高速公路环境中的泛化能力如何？
• RQ4 使用速度/运动先验和概率推断对定位鲁棒性有何影响？

主要发现

• 在多样化的高速公路与城市场景中实现 15 Hz 的实时定位，厘米级精度。
• 在中位误差和尤为显著的最坏情形（失败率）方面，优于 ICP 和原始 LiDAR 匹配基线。
• 展示跨传感器/一般化能力，在 LiDAR A 与 LiDAR B 数据集之间迁移时依然保持精度。
• 基于 FFT 的卷积大幅加速匹配，在 3-DoF 空间中对旋转和平移的搜索变得高效。
• 引入运动先验和概率推断提升鲁棒性并降低失败率。
• 单通道嵌入与 LinkNet 骨干提供了准确性与运行时之间的良好平衡。