【论文笔记】LIDAR-Based road signs detection For Vehicle Localization in an HD Map

论文笔记

论文笔记

论文笔记

自动驾驶汽车的定位被视为该领域的基础问题之一。传统的全局导航卫星系统（GNSS）依赖的技术大多用于位置确定。然而，在开阔天空环境下，现有解决方案的精度通常未能超过2至3米 [1]。或者地图的研究已被广泛应用于车辆定位中。基于密集特征的地图是实现高精度定位的关键因素。值得注意的是这种方法在[2]的基础上进行了扩展

检测道路标志

在文献中, 基于视觉的道路标志检测方法相较于基于 LIDAR 的技术更为普遍地被采用. 由于 3D LIDAR 点云具有较高的密度性, 因此道路标志位置的先验信息显得尤为重要.例如，在 [20] 中, 开发了一种基于视觉的技术来识别道路边界. 实际上, 由于假设道路标志位于道路边界之外, 道路点从云中被移除, 并且仅利用位于道路边界之外的 LIDAR 点来进行道路标志检测过程. 在 [21] 中，则生成了强度图矩阵. 然后, 利用具有高反射率值的像素进行聚类处理, 从而指示先前的道路标志位置. 我们的算法类似于 [22], 是一个包含三个步骤的多步算法. 首先, 建立了一个前极坐标网格, 其覆盖范围基于整个激光雷达收集的所有三维点数据. 然后, 利用反射率数据生成二值前图像. 最后, 利用形态学闭合操作识别 ROI（感兴趣区域）. 在此之后，在 RANSAC 平面估计算法中输入 ROI 点坐标以估计平面质心 c 和法线 n. 最后通过施加对平面质心 c 和法线 n 的约束条件来优化 ROI 候选区域的具体实现过程将在后续段落中详细阐述

前极坐标网格

该系统采用旋转激光雷达测定三个关键参数：距离 r、方位角 φ 以及垂直波束角 θ。其定位架构基于极坐标系统进行设计，在极坐标平面内生成水平（方位）视场范围为±φmax，并划分为 N 行（如图 1所示），其中 N代表LIDAR光束数量。同时根据设定的方位角分辨率φres来确定网格列数。对于每一个单元格 mi;j，在三维空间中形成点集：

在 mi;j 内，并且保持平均强度值

感兴趣区域（ROI）的检测

为了确定潜在道路标志的位置, 我们通过基于每个网格单元的最大强度值构建正面反射率图像. 基于道路标志呈现强烈的反光特性, 我们对这些区域执行阈值化处理以生成二维二进制图象. 所采用的阈值依据激光雷达制造商提供的传感器规格确定. 随后应用形态学闭合运算将 ROI 分解为一组边界框 Bxi.

ROI 3D 点的去偏斜

二值图像上检测到的感兴趣区域现在与前网格并行使用，以提取与每个边界框 Bxi 对应的 3D 点。这些 3D 点用于估计道路标志候选的 3D 参数。然而，移动旋转激光雷达的一个典型问题是点云的失真。实际上，激光雷达完整旋转的开始和结束之间的时间差（旋转速率）大约为 0:1 秒。对于 25m=s 的自我车辆速度，旋转速率导致 2:5m 的平移间隙。为了消除这种失真，我们使用了每个点 pk 的时间戳 tk。事实上，我们的 LIDAR 与 GNSS 时钟同步，因此所有点都有时间戳。该校正分两步实施。首先，为每个 ROI 点集计算最小时间戳 tmin。然后，通过使用惯性数据（速度 v 和偏航率 w），一个 3D 点 pk = (xk; yk; zk; tk) 被修正如下：

通过假设恒定速度和偏航率运动模型来计算上述方程。

道路标志参数估计

基于潜在道路标志候选的3D点数据，并采用RANSAC算法[23]进行平面拟合。

激光雷达生成的三维点云数据经投影后显示在反射率图像中（图2.b），这种情况下我们需要检测一个路标物体。

仅依赖激光雷达传感器来进行定位系统的有效性测试可能会导致误报现象：例如将车辆牌照 holder、救护车上的反光条纹等视为障碍物。

基于地图的定位

坐标系和地图描述

该原型地图具备高度精确度，并作为第三方地图应用使用；在本文中所采用的地图属性包括道路标记与路标；其中的道路标记以折线形式呈现，而路标则采用二维多边形（如三角形）表示；此外我们还确定了质心位置；各地图素基于全局坐标系或本地坐标系进行定位：

然而，在基于激光雷达参考系的坐标系统中，我们能够进行几何转换至本车坐标系。