【论文阅读】Review on 3D Lidar Localization for Autonomous Driving Cars

最新推荐文章于 2025-03-28 09:37:49 发布
原创 最新推荐文章于 2025-03-28 09:37:49 发布 · 578 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#定位 #自动驾驶

本文回顾了3D激光雷达（LIDAR）在自动驾驶汽车定位中的重要作用，点云数据因其丰富的空间信息而成为解决定位问题的理想选择。定位方法主要分为基于配准、基于特征和基于神经网络三大类。基于配准的方法如ICP和NDT，通过点云降采样和外点剔除提高效率；基于特征的方法则提取部分关键点进行匹配；基于神经网络的方法利用深度学习进行端到端或部分处理，加速定位过程。

文章目录

Review on 3D Lidar Localization for Autonomous Driving Cars

“LIDAR data, compared to other perception sensors, is the richest and most detailed in term of spacial information. This results in the LIDAR sensor being practically always more accurate when it comes to solving spatial based challenges such as localizing a vehicle.”
简单来说，就是3维的事情要做用3维的数据做。而且文中提到，激光雷达下降非常快。

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

基于配准的

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。作者将这些还是归入基于配准的方法，是

最低0.47元/天 解锁文章
Review on 3D Lidar Localization for Autonomous Driving Cars
Zlp19970106的博客
09-13 426
文章目录
【论文笔记】A Survey on 3D LiDAR Localization for Autonomous Vehicles
qq_46480130的博客
11-04 531
【论文笔记】A Survey on 3D LiDAR Localization for Autonomous Vehicles    ~~~       ~~~~    LiDAR 传感器正在成为实现自动驾驶汽车完全自主的最重要的传感器之一。 LiDAR 能够产生丰富、密集和精确的空间数据，这可以极大地帮助定位和跟踪移动的车辆。在本文中，我们回顾了自动驾驶汽车 3D L
论文阅读：DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots
xuershuai的博客
12-09 466
论文题目：DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots 代码连接：https://github.com/robotics-upo/dll 期刊：arXiv 来源：巴勃罗·德·奥拉维德大学机器人实验室 摘要： 本文提出了一种直接基于地图的三维激光雷达定位技术DLL，并将其应用于航空机器人。DLL实现了基于点与地图的非线性优化距离的点云地图配准，因此不需要特性，也不需要点对应。该方法在给定初
lidar_localization_ros2：实时三维激光雷达定位解决方案
gitblog_00122的博客
03-28 1068
lidar_localization_ros2：实时三维激光雷达定位解决方案 项目介绍 lidar_localization_ros2 是一个基于ROS2的开源项目，它为3D激光雷达定位提供了一套完整的解决方案。项目利用先进的点云匹配算法，如正则化迭代最近点（NDT）和广义迭代最近点（GICP），实现实时的激光雷达定位，能够广泛应用于自动驾驶、机器人导航、无人机等领域。 项目技术分析 核心算法 l...
【论文笔记】Fast LIDAR Localization using Multiresolution Gaussian Mixture Maps
qq_46480130的博客
10-24 846
【论文笔记】Fast LIDAR Localization using Multiresolution Gaussian Mixture Maps    ~~~      ~~~   本文提出了一种用于自动驾驶汽车城市环境中车辆定位的快速多分辨率扫描匹配器。最先进的车辆定位方法依赖于使用 (LIDAR) 扫描仪观察路面反射率，以实现厘米级精度。然而，当面临使道路油漆（例如水坑和雪堆）的视线
Domain Adaptive Object Detection for Autonomous Driving under FoggyWeather（翻）
悠悠小船长的博客
03-11 1145
不同天气下自动驾驶的目标检测
自动驾驶3D目标检测综述（一）
qq_52889317的博客
11-11 2534
文章地址：[2206.09474] 3D Object Detection for Autonomous Driving: A Comprehensive Survey (arxiv.org)这篇综述简单易懂，非常合适对自动驾驶和3D目标检测感兴趣的小白阅读，对相关算法进行初步理解。
A Review of Visual-LiDAR Fusion based Simultaneous Localization and Mapping
06-01
SLAM is used for many applications including mobile robotics, self-driving cars, unmanned aerial vehicles, or autonomous underwater vehicles. In these domains, both visual and visual-IMU SLAM are ...
论文笔记—Range Image-based LiDAR Localization for Autonomous Vehicles
qq_46480130的博客
05-22 1568
论文笔记—Range Image-based LiDAR Localization for Autonomous Vehicles 文章摘要     ~~~~       ~~~   鲁棒且准确的，基于地图的定位对于自主移动系统至关重要。本文利用从3D LiDAR扫描生成的距离（深度）图像来解决在以三角形网格表示的大型室外环境的地图中定位移动机器人或自动驾驶汽车的问题。
【论文笔记】DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots
qq_46480130的博客
11-29 1155
【论文笔记】DLL: Direct LIDAR Localization. A map-based localization approach for aerial robots    ~~~       ~~~~    本文提出dll，一种直接基于历史地图的3D LiDAR定位方法。dll通过优化点云到历史点云地图的距离实现点云到地图的配准，而不通过特征计算和同名点对
Visual Localization within LiDAR Maps for Automated Urban Driving 讲解
I AM BACK
03-29 1256
这篇Paper是由UM的两位所作，Ryan Wolcott和Ryan Eustice。基本可以确定是Ryan一个人写的代码、整套东西，比较Tenure很少自己写代码了。这篇Paper是iROS2014的best paper，所以还是具有很高的含金量的。 这篇Paper主要是提出了使用LiDAR map进行单目定位的方法，思想不是很复杂，但是从最后效果来看作者在加速方面花了不少心思。 整个算法流程如...
【论文笔记】LiDAR-Based Initial Global Localization Using Two-Dimensional (2D) Submap Projection Image (SP
qq_46480130的博客
11-10 1177
【论文笔记】LiDAR-Based Initial Global Localization Using Two-Dimensional (2D) Submap Projection Image (SPI)    ~~~       ~~~~    在 SLAM 中的导航初始化（或重新初始化）和闭环方面，初始全局定位对移动机器人很重要。 3D LiDARs 通常用于移动机
Lidar_IMU_Localization 项目教程
gitblog_00925的博客
08-16 1126
Lidar_IMU_Localization 项目教程 项目介绍 Lidar_IMU_Localization 是一个基于开源的激光雷达和惯性测量单元（IMU）的定位系统。该系统结合了先验地图约束和Lio约束，适用于3D激光雷达。项目支持三种IMU模式：不使用IMU、松耦合IMU和激光雷达、紧耦合IMU和激光雷达。系统能够自动切换地图定位模式和LIO定位模式，适用于多种环境下的定位需求。 项目快速...
Lidar全局定位方法SLAM Global localization
heroacool的专栏
07-21 1735
Scancontext Intensity ScanContext ### 走着一段距离后，通过匹配定位 牛津https://ori.ox.ac.uk/lidar-localization/ ETH segmatch，
LiDAR Inertial Odometry Aided Robust LiDAR Localization System in Changing City Scenes
qq_40268190的博客
01-14 1061
文章目录系统框架激光惯性里程计全局定位位姿优化地图变动检测参考文献 系统框架 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kbIVlqwa-1610630354940)(index_files/2489d30b-7faa-4fcb-841c-1d35c9d0260a.png)]   整个系统分为四个模块，激光惯性里程计，位姿优化，全局定位和地图变化检测。 激光惯性里程计   激光惯性里程计（LIO）模块在Cartographer的基础上做了四点改进： 二维栅格地图拓展到
关于Lidar_locatilization相关软件环境配置的说明
wtlll的博客
12-15 985
基于多传感器的融合定位工程项目
论文笔记—3D LiDAR-Based Precision V ehicle Localization with Movable Region Constraints
qq_46480130的博客
05-24 451
论文笔记—3D LiDAR-Based Precision V ehicle Localization with Movable Region Constraints 文章摘要     ~~~~       ~~~   本文讨论了一种基于已知地图信息的高性能相似度测量方法，称为交叉平均绝对差（CMAD）方法。应用常规归一化互相关（NCC）特征配准方法需要足够数量的特征点
slam定位学习笔记(三)
weixin_45572737的博客
11-14 838
tag5就像大佬在文章中写的那样，是对于工程代码结构的优化，降低了代码之间的耦合性;引入了yaml的参数设置格式，方便未来调用不同的滤波器和配准方法;将点云文件的生成放在了硬盘中，并使用了ros-service方法来决定是否显示全局地图。总体来说，代码功能性的变化不大，结构变化比较大。但对于我而言阅读的难度却比之前的源码上升了好多，应该还是自己不熟悉相关的工程应用实施过程的原因，代码水平也不行，还是要多刷leetcode、多看别人优秀的源码，才能提升自己的能力。
apollo localization模块学习
MountainXiu
02-03 1285
title: apollo localization模块学习 tags: fu, apollo renderNumberedHeading: true grammar_cjkRuby: true 定位 输入 在提供的RTK方法中，有两个输入： GPS-全球定位系统。 IMU-惯性测量单元。 在所提供的多传感器融合定位方法中，有三个输入： GPS-全球定位系统。 IMU-惯性测量单元。 激光雷达-光探测与测距传感器 输出 一个Protobuf message类型的LocalizationEstim.
Instance Segmentation Frustum–PointPillars: A Lightweight Fusion Algorithm for Camera–LiDAR Perception in Autonomous Driving
最新发布
04-28
### Frustum-PointPillars 的具体方法 Frustum-PointPillars 是一种高效的多模态融合算法，它结合了相机和激光雷达的优势，在自动驾驶场景中实现了实例分割任务。该方法的核心在于通过投影的方式将二维图像信息与三维点云数据相结合，从而减少计算复杂度并提升性能。 #### 方法概述 Frustum-PointPillars 将 2D 图像中的感兴趣区域 (ROI) 投影到 3D 点云的空间范围（即 frustum），随后仅对该子集内的点云进行处理[^1]。这种方法显著减少了需要处理的点云数量，同时保留了来自图像的语义信息。以下是其实现的关键部分： 1. **基于图像的目标检测** 使用 CNN 对输入的 RGB 图像进行目标检测，生成一组边界框（bounding boxes）。这些边界框定义了可能包含对象的 ROI 区域[^2]。 2. **Frustum 提取** 利用相机内外参矩阵，将每个 2D 边界框映射至对应的 3D 坐标系下的锥形空间（frustum）。此操作筛选出了与当前目标相关的点云子集。 3. **PointPillars 编码器** PointPillars 是一种高效点云编码方式，采用动态体素化技术将点云划分为固定尺寸的小柱状单元（pillars）。对于提取出的 frustum 数据，应用相同的编码流程以生成 BEV 特征图[^2]。 4. **特征融合与分类** 结合从图像中提取的高级语义特征以及由 PointPillars 得到的几何特征，构建一个多通道特征向量。最终送入全连接层完成类别预测与边界的回归运算[^2]。 --- ### 实现代码示例 以下为 Python 和 PyTorch 下的一个简化版实现框架： ```python import torch from torchvision import models from point_pillars_encoder import PillarEncoder # 自定义或第三方库 class FrustumPointPillars(torch.nn.Module): def __init__(self, num_classes=3): super(FrustumPointPillars, self).__init__() # 加载预训练的图像特征提取模型 self.image_feature_extractor = models.resnet18(pretrained=True) self.image_feature_extractor.fc = torch.nn.Identity() # 移除最后的 FC 层 # 初始化 PointPillars 编码器 self.pillar_encoder = PillarEncoder() # 融合后的分类头 self.classifier_head = torch.nn.Sequential( torch.nn.Linear(512 + 64, 128), # 合并图像特征与点云特征 torch.nn.ReLU(), torch.nn.Dropout(p=0.5), torch.nn.Linear(128, num_classes) ) def forward(self, image, lidar_points, camera_intrinsics, extrinsics): """ :param image: 输入的RGB图像 [batch_size, C, H, W] :param lidar_points: 激光雷达点云 [num_points, 3] :param camera_intrinsics: 相机内参数矩阵 [3, 3] :param extrinsics: 外参数矩阵 [4, 4] """ # Step 1: 图像特征提取 img_features = self.image_feature_extractor(image) # 输出维度取决于 ResNet 配置 # Step 2: 计算 frustums 并过滤点云 frustums = compute_frustums(camera_intrinsics, extrinsics, img_features.shape[-2:]) # 获取 frustum 子集 filtered_lidar_points = filter_points_in_frustums(lidar_points, frustums) # 只保留相关点 # Step 3: PointPillars 编码 pillar_features = self.pillar_encoder(filtered_lidar_points) # Step 4: 特征拼接与分类 combined_features = torch.cat((img_features.flatten(start_dim=1), pillar_features.flatten(start_dim=1)), dim=-1) predictions = self.classifier_head(combined_features) return predictions def compute_frustums(intrinsics, extrinsics, roi_shape): """根据相机内外参及 ROI 形状计算 frustums""" pass # 具体逻辑省略 def filter_points_in_frustums(points, frustums): """筛选位于指定 frustums 中的点云""" pass # 具体逻辑省略 ``` --- ### 性能优化建议 为了进一步提高效率，可以考虑以下几个方面： - **稀疏张量加速**: 在 GPU 上使用稀疏张量表示 pillars，降低内存占用。 - **轻量化网络设计**: 替代标准 ResNet 或 VGG，选用 MobileNet 等更适合嵌入式设备的架构。 - **硬件支持**: 如果部署环境允许，可借助 NVIDIA Jetson AGX Xavier 等专用芯片运行推理过程[^3]。 --- ###
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值