[论文解读] Trained Trajectory based Automated Parking System using Visual SLAM on Surround View Cameras

Nivedita Tripathi, Senthil Yogamani|arXiv (Cornell University)|Jan 7, 2020

Robotics and Sensor-Based Localization参考文献 23被引用 6

一句话总结

本文提出一种基于全景鱼眼摄像头视觉SLAM的训练轨迹自动泊车系统，使车辆能够在家庭或办公室车库等常去地点自主重新定位并泊车。该系统在训练阶段利用VSLAM流程实现持久地图构建，在重放阶段实现鲁棒重新定位，即使在光照、天气和结构条件变化的情况下，仍实现了92.5%的平均重新定位率。

ABSTRACT

Automated Parking is becoming a standard feature in modern vehicles. Existing parking systems build a local map to be able to plan for maneuvering towards a detected slot. Next generation parking systems have an use case where they build a persistent map of the environment where the car is frequently parked, say for example, home parking or office parking. The pre-built map helps in re-localizing the vehicle better when its trying to park the next time. This is achieved by augmenting the parking system with a Visual SLAM pipeline and the feature is called trained trajectory parking in the automotive industry. In this paper, we discuss the use cases, design and implementation of a trained trajectory automated parking system. The proposed system is deployed on commercial vehicles and the consumer application is illustrated in \url{https://youtu.be/nRWF5KhyJZU}. The focus of this paper is on the application and the details of vision algorithms are kept at high level.

研究动机与目标

• 通过车载地图构建与重新定位，实现在家庭车库或办公室停车位等频繁访问的私人地点的自动泊车。
• 解决在非结构化、非商业制图环境中GPS不可靠时的持久定位挑战。
• 开发适用于低速泊车场景下全景鱼眼摄像头的鲁棒视觉SLAM流水线。
• 克服嵌入式车载系统中光照变化、传感器噪声和尺度漂移等实际部署挑战。
• 通过真实世界数据集和视频演示，证明在商用汽车上实现训练轨迹泊车的实际可行性。

提出的方法

• 系统分为两个阶段：训练阶段记录车辆轨迹与视觉特征，使用四个视场角为190°的鱼眼摄像头；重放阶段则利用存储的地图实现车辆重新定位。
• 两个阶段均采用视觉SLAM估计6-DOF车辆位姿，通过基于特征的跟踪与全局捆绑调整优化地图。
• 融合GNSS与IMU数据进行初始位姿估计与真实值标注，通过滤波减少噪声与异常值。
• 从周围物体（如路缘、标志、墙体）中提取稀疏视觉特征，并在帧间匹配以实现重新定位。
• 通过多摄像头之间的度量距离补偿卷帘快门效应并处理尺度模糊性。
• 在嵌入式车载硬件上部署统一的VSLAM框架，无需依赖云端，确保实时性能与持久地图构建。

实验结果

研究问题

• RQ1 在无GPS或先验地图基础设施的既往访问过的私人停车区域，车辆如何实现可靠的重新定位？
• RQ2 在光照和结构变化条件下，将视觉SLAM部署于鱼眼摄像头以实现低速泊车操作时面临哪些关键挑战？
• RQ3 基于特征的视觉SLAM流水线在不同昼夜时段和天气条件下，维持一致重新定位精度的有效性如何？
• RQ4 车载视觉SLAM在嵌入式车载系统中的实际限制是什么，特别是初始化、尺度漂移和动态场景变化方面？
• RQ5 训练轨迹系统是否能在现实泊车场景中实现高重新定位准确率，且仅需极少人工干预？

主要发现

• 系统在多样化测试场景中实现了92.5%的平均重新定位率，定义为位姿估计在0.05m位置误差和2°方向误差范围内的结果。
• Scene6因存在显著的光照与侧向偏移变化，表现出最低的重新定位率（85.7%），凸显对环境变化的敏感性。
• 系统在复杂办公楼停车场和狭窄家庭车库中均成功实现车辆重新定位，证明了在不同停车环境下的鲁棒性。
• 训练阶段末尾的全局捆绑调整需要短暂等待时间，表明地图精度与实时可用性之间存在权衡。
• 光照与天气变化显著降低了性能，尤其当训练与重放发生在不同条件下时，表明需要提升特征的鲁棒性。
• 由于缺乏云端基础设施，必须在车辆嵌入式系统上完成全部地图构建与优化，导致训练后地图完成时间增加。