[论文解读] Line-based Road Structure Mapping Using Multi-beam LiDAR.

Xudong He, Junqiao Zhao+5 more|arXiv (Cornell University)|Apr 19, 2018

Remote Sensing and LiDAR Applications被引用 3

一句话总结

本文提出一种基于多束LiDAR的线段式SLAM方法，通过将道路表示为折线而非栅格或点云，以高精度和高效率映射道路结构。该方法采用局部概率融合进行道路边界提取，并实现高效的线段匹配，三个真实场景下的平均绝对匹配误差为0.07米，相对误差为8.64%。

ABSTRACT

In this paper, we studied a line-based SLAM method for road structure mapping using multi-beam LiDAR. We propose to use the polyline as the basic mapping element instead of grid cell or point cloud, because the line-based representation is precise and lightweight, and it can directly generate vector-based HD map as demanded by autonomous driving systems. We explored: 1) The extraction and vectorization of road structures based on local probabilistic fusion. 2) The efficient line-based matching between frames of vectorized road structures. A specified road structure, the road boundary, is taken as an example. The results testified the feasibility and effectiveness of the proposed method. We applied our proposed mapping system in three different scenes and achieved the average absolute matching error of 0.07m, the average relative matching error of 8.64%.

研究动机与目标

• 开发一种适用于自动驾驶系统的轻量化且高精度的道路结构映射方法。
• 通过采用折线为基础的矢量地图表示，解决基于栅格或点云表示的局限性。
• 利用线段特征提升在动态道路环境中的匹配精度与计算效率。
• 展示线段表示在真实道路场景中的可行性和有效性。

提出的方法

• 利用多束LiDAR数据，通过局部概率融合提取道路边界，实现鲁棒的特征检测。
• 将检测到的道路结构转换为矢量化折线，实现高效、精确且轻量化的表示。
• 采用线段匹配算法，利用几何与拓扑约束对连续LiDAR帧中的折线进行对齐。
• 应用概率融合技术，提升在噪声或复杂环境中的线段提取可靠性。
• 优化映射流程以实现实时性能，同时在矢量地图生成中保持高精度。
• 在三个不同道路场景中验证系统，评估其鲁棒性与泛化能力。

实验结果

研究问题

• RQ1 与传统的栅格或点云方法相比，基于折线的表示在道路结构映射的精度与计算效率方面是否更具优势？
• RQ2 局部概率融合在从多束LiDAR数据中提取并矢量化道路边界方面效果如何？
• RQ3 在不同道路环境中，连续LiDAR帧之间的线段匹配可达到何种精度？
• RQ4 所提出方法在复杂度与动态性各异的道路场景中，其泛化能力如何？

主要发现

• 所提出的线段式SLAM方法在三个真实道路场景中实现了平均绝对匹配误差0.07米。
• 系统表现出8.64%的相对匹配误差，表明轨迹估计具有强一致性。
• 基于折线的表示实现了高效且精确的矢量地图生成，适用于自动驾驶应用。
• 局部概率融合有效提升了复杂环境中道路边界提取的鲁棒性。
• 与点云或栅格方法相比，线段匹配算法显著提高了计算效率。
• 该方法在多样化道路场景中表现出可行性与有效性，证实其具备实际部署潜力。