[论文解读] Vision-based localization methods under GPS-denied conditions

Zihao Lu, Fei Liu+1 more|arXiv (Cornell University)|Nov 22, 2022

Robotics and Sensor-Based Localization被引用 4

一句话总结

本文综述了在无GPS环境下的视觉定位方法，将其分类为相对视觉定位（RVL）和绝对视觉定位（AVL）。文章分析了基于特征的视觉里程计中的光流技术、基于优化和扩展卡尔曼滤波（EKF）的VSLAM，以及基于车道检测的离线地图匹配技术，提供了性能对比及面向无GPS环境下鲁棒视觉定位的未来研究方向。

ABSTRACT

This paper reviews vision-based localization methods in GPS-denied environments and classifies the mainstream methods into Relative Vision Localization (RVL) and Absolute Vision Localization (AVL). For RVL, we discuss the broad application of optical flow in feature extraction-based Visual Odometry (VO) solutions and introduce advanced optical flow estimation methods. For AVL, we review recent advances in Visual Simultaneous Localization and Mapping (VSLAM) techniques, from optimization-based methods to Extended Kalman Filter (EKF) based methods. We also introduce the application of offline map registration and lane vision detection schemes to achieve Absolute Visual Localization. This paper compares the performance and applications of mainstream methods for visual localization and provides suggestions for future studies.

研究动机与目标

• 系统性地回顾并分类适用于无GPS环境的视觉定位方法。
• 分析相对视觉定位（RVL）技术的优势与局限性，特别是基于光流和视觉里程计的方法。
• 考察绝对视觉定位（AVL）方法，包括基于EKF和基于优化的VSLAM，以及离线地图匹配技术。
• 评估车道视觉检测在结构化环境中提升绝对定位精度的潜力。
• 对主流方法的性能与适用性进行对比分析，并提出未来研究方向。

提出的方法

• 将基于视觉的定位方法划分为两大类：相对视觉定位（RVL）和绝对视觉定位（AVL）。
• 回顾RVL中用于视觉里程计（VO）特征提取的光流估计技术。
• 分析AVL中基于优化和扩展卡尔曼滤波（EKF）的视觉同时定位与地图构建（VSLAM）方法。
• 研究将视觉观测与预构建地图对齐的离线地图匹配技术，以实现绝对定位。
• 引入车道视觉检测方案作为补充方法，以提升道路环境中的定位精度。
• 综合比较各类方法的性能，重点关注精度、鲁棒性及计算效率。

实验结果

研究问题

• RQ1 在无GPS环境下，RVL与AVL方法在视觉定位上的实现方式有何不同？
• RQ2 光流在提升基于特征的视觉里程计用于相对定位方面的性能中起到什么作用？
• RQ3 基于EKF和基于优化的VSLAM技术在绝对定位的精度与稳定性方面如何比较？
• RQ4 离线地图匹配与车道检测在哪些方面可提升绝对视觉定位的性能？
• RQ5 当前基于视觉的定位方法在无GPS场景下的关键性能权衡是什么？

主要发现

• 基于光流的RVL方法在动态和纹理丰富的环境中表现出色，得益于密集运动估计。
• 基于EKF的VSLAM可实现实时性能且精度适中，而基于优化的方法虽计算负载更高，但能实现更高的定位精度。
• 离线地图匹配显著提升了定位精度，通过预设的视觉参考实现全局一致性。
• 车道视觉检测方案通过提供几何约束和语义上下文，增强了结构化道路环境中的AVL性能。
• 融合多种视觉线索（如光流、地图匹配和车道检测）的综合方法，相比单一方法更具鲁棒性和精度。
• 本文识别出长期定位稳定性及在多样化环境中的泛化能力方面存在研究空白，建议未来工作应聚焦于融合学习方法与几何方法的混合策略。