Review on 3D Lidar Localization for Autonomous Driving Cars

1. 引言

与其他感知传感器相比，激光雷达数据能够提供较为丰富的空间信息，这使得激光雷达在解决车辆定位问题时具有更大的优势。

由于激光雷达获取的点云数量庞大，所以使用点云做定位的方法主要围绕的是速度的提升。

使用点云的做定位的方法大致分为以下几类：

1. 基于配准的定位方法
2. 基于特征的定位方法
3. 基于深度学习的定位方法

2. 基于配准的定位方法

最经典的就是ICP，在ICP的发展过程中，有许多改进版：point-to-line ICP，point-to-plane ICP，and Generalized ICP。考虑激光雷达的扫描特性，形成的是一个一个圆，使用Normal Covariance Filter做点云的降采样，用Geometric Correspondance Rejector做外点的剔除，可以使得ICP更好的在车载激光雷达中使用。

另一种超越ICP的方法则是NDT：

ICP和NDT的使用，在IMLS-SLAM中得到了一种非常经典的三步走范式：
1）将动态的点剔除
2）降采样
3）使用ICP或者NDT

另外一种预处理的方式是不直接使用点，而是提取一些特征，例如使用sufel或者Collar Line Segments。作者将这些归入基于配准的方法，是因为作者认为基