自动驾驶中Ground Marks对于视觉定位的作用探讨【欢迎讨论】

视觉定位

当前在众包建图中，基于视觉的定位占据了主导地位，基于激光的定位太重，采集存储处理成本高，因此基于视觉信息来重建道路上的标线成为了主流。

Superpoints

目前视觉定位主要使用基于Superpoints来提取特征点，使用SuperGlue来进行匹配的策略。但是在远处的Superpoints无法提供准确的定位，在三角化的时候，误差很大，难以满足精度要求，有时候当在一些大桥等场景，近处的特征点少，远处的特征点多，就会导致视觉匹配和定位失败。

矢量

这个时候一个方法就是结合矢量信息以及superpoints信息来做匹配，道路面上存在丰富的矢量信息，比如道路边界，虚车道线，实车道线（可以提供X和Z方向的定位信息，Y方向为车行进方向，Z方向为竖直方向，X方向为垂直车行进的方向），像导流线可以提供三方向的约束信息，箭头等也可以提供多元的约束信息。
然而矢量的使用存在几个问题：
１.矢量不像特征点那样天然具备颗粒度，如何表征矢量是一个问题，对于直线有人采用直线方程的方式，或者首尾点来表示，但还有其他矢量比如杆，牌等复杂的形制，另一个方法是，将矢量分段化，每一段视为一个点，将矢量变为特征点来处理。
２.如何利用好矢量和特征点之间的关系。矢量具备特征点所不具备的结构化信息，如果只是将其离散化为特征点加入网络，那么就相当于将这些结构化信息全部抛弃不用，这无疑是一种浪费。两者之间如何进行一个信息的融合，是现在关注的难点。　
目前主流的就是只使用特征点匹配，如何创建一个通用性的网络和框架，是非常有价值的问题。也欢迎讨论。