青菜虫虫的专栏

因此，在xy平面上实际上就是轮速计的积分，轮速计积分虽然比较稳定，但是并不是很好，有时候也会飘，而缺乏绝对观测的原因，一旦飘了一点点就再也回不来了，以至于回环的时候有一个很大的偏差。如果直接用它做积分，立马就要飞掉，甚至你都看不出一点点趋势，发散的非常快，以至于还搞出速度用轮速计，角度用IMU这样的不伦不类的融合方式。以前在有gnss信号的情况下，根本就没做初始化，因为绝对观测会把错误位姿纠正回来，但是在地库中就不能这么搞了，所以也让我认识到初始化的重要性，还是不得不做的。，这里说的初始重力方向。

高精度地图外业采集车共有4个设备：1.Lidar扫描仪，可以实时获取在扫描仪坐标系下的点云坐标2.GPS+IMU，GPS提供采集车实时世界坐标，IMU提供采集车的实时姿态，这两者提供了采集车实时POS3.全景摄像机，可以提供实时全景影像，实际上是由6台摄像机组成，5台布置在车头，1台布置在车顶，通过融合程序，最后融合到一起成为全景30度照片4.DMI，绑定在车轮上，可以用来计算采集车里程，可以用来...

这里的横向定位是基于ICP算法的改进实现的3d-3d的配准方法，步骤：1.将单帧重建车道线的形值点，向高精度地图中的车道线做垂足，考虑到不受高程差异的影响，这里是在平面上完成的。求得的形值点与垂足就组成了一对同名点，我将形值点命名为source，垂足命名为target。会生成很多这样的同名点。2....

以下都是我的个人理解，说的不对的欢迎狂怼。 借用apollo的架构说事： 自动驾驶由这7部分组成：1.感知。就是指传感器的输入，包括激光雷达、视觉图像、GPS、惯导、毫米波雷达等都可以归类为感知。2.地图。就是指高精度地图，它与普通导航地图的最大区别是：高精度地图主要用于定位，是给机器看的。导航地图主要用于路径规划，是给人看的。高精度地图有着20cm绝对精度，5cm相对精度，具有全要素，车道集级等等，在我看来其就是对真实世界的标注而已，跟图像标注没有什么本质区别...

高精度地图一个重要的矢量数据就是交通标志,比如地面的字符、箭头，路边的限速牌等。在我理解看来，交通标志与车道线是同等重要的，因为它是无人车初始定位的重要匹配依据。写到这就扯远了，我今天要讨论的是，如何用交互的方式从点云中提取规则多边形，这篇文章以地面字符箭头为例，也就是矩形的提取。首先，算法输入是已经分类好的初始点云，如下图所示：这里所说的半自动化是需要用户在点云上点一下，以生成一个种子点，作