目录

1 论文基本信息

2 看本篇论文目的

3 内容简介

3.1 主要内容

4 介绍与问题引出

4.1 车辆定位方式对比

4.1.1 GNSS(Global Navigation Satellite System)

4.1.2 道路基础设施

4.2 定位车辆的意义

4.3 SLAM要解决的问题

4.3.1 SLAM目前面临的问题

5 SLAM典型的解决方案

5.1 Filter-based SLAM

5.1.1 Extended Kalman Filter

5.1.2 Unscented Kalman Filter

5.1.3 Information Filter

5.1.4 Particle Filter

5.2 Optimization-based SLAM

5.2.1 Bundle Adjustment

5.2.2 Graph SLAM

5.3 Filter-based SLAM 对比 Optimization-based SLAM

5.4 一些标准数据集

5.5 KITTI中高排名的算法

5.6 自主驾驶中SLAM的一些评价标准

6 Relocalization and loop closure

6.1 描述与分类

6.2 自动驾驶中，常用“重定位和闭环检测”方法汇总

6.2.1 讨论与总结

6.3 自动驾驶中，在已构建的map中Localization方法汇总

6.3.1 讨论与总结

6.4 自动驾驶中，在现有(或未来)的map的Localization方法汇总

6.4.1 讨论与总结

7 MULTI-VEHICLE SLAM

7.1 概念与分类

7.2 讨论与总结

8 讨论和结论

9 经典论文

9.1 SLAM 综述相关文章

9.2 SLAM问题的发展

9.3 多种传感器融合的方法

9.4 BA算法的经典代表

9.5 Visual Odometry 系统介绍杂志

---

1 论文基本信息

• 出处：IEEE Transactions on Intelligent Vehicles  (目前未进SCI)
• 年份：2017
• 作者：Guillaume Bresson, Zayed Alsayed, Li Yu and Sebastien Glaser
  • Guillaume Bresson：Universite Blaise Pascal (UBP), France
  • Li Yu ：aerodynamics engineering from Northwestern Polytechnical University, Xian, China

2 看本篇论文目的

• 了解SLAM在自动驾驶中，发挥什么样的作用；
  • JO答：SLAM可以为自动自动驾驶的可能贡献:
    • 辅助定位(细颗粒尺度内,GPS失效时);
    • 即时信息:在以高精度地图为基础的的前提下，抽取分析出即时的、现场的实际路况，为其他车辆提供参考。
• 发现值得研究的、感兴趣的问题；
• 知识面的拓展，不要过分深究细节。

3 内容简介

• SLAM, 在自动驾驶趋势下的一个survey。

3.1 主要内容

• 自动驾驶给了SLAM一个新的研究方向；
• 不同的SLAM技术分支介绍；
• 自动驾驶场景下，经典方法的局限性和应用标准；
• 单车SLAM和多车SLAM；
• 大场景下的一些自动驾驶经验；
• 总结讨论。

4 介绍与问题引出

SLAM在移动机器人领域，已经有多于25年的历史；

SLAM研究的问题：随之对周围环境增量式的重建，来定位机器人的位置。

4.1 车辆定位方式对比

4.1.1 GNSS(Global Navigation Satellite System)

• 缺点：
  • 卫星信号，会受到难以预测的大气条件的影响；
  • 基础设施可能会阻塞信号的直接接收，并产生多路干扰或非视距接收。
    • 在人口稠密的城市地区，高楼大厦可以遮挡卫星信号。
• 优点：
  • 在开放的道路上，GNSS通常表现得更好；
  • RTK (RealTime Kinematic) GNSS，正在不断提高定位精度。
• 感想与对策-jo：
  • GNSS定位大范围，SLAM定位小范围。

4.1.2 道路基础设施

• 如：道路标记或道路检测
• ADAS（Advanced Driver-Assistance Systems）已经将车道检测，整合到商用车辆中
  • 缺点：
    • 而这种方法主要限制了车辆的横向位置，足以用于道路容易识别的环境，例如高速公路；
    • 但更复杂的环境(主要是城市，有十字路口、弯道等)，并不总是提供足够的道路信息，来定位车辆。
    • 纵向轴上所需的位置精度，比在笔直的高速公路环境中更重要。

4.2 定位车辆的意义

• 是执行任何其他预测，或平面化任务（planification tasks）的基础功能。
  • 预测道路上其他障碍物的变化；
  • 选择最合适的机动方式。

4.3 SLAM要解决的问题

• SLAM框架，允许使用任何传感器或评估技术，同时评估车辆位置和地图。
  • 当自动驾驶被视为一个整体时，地图是最重要的，因为它提供了做出适当决策，所需的第一层次的感知。

4.3.1 SLAM目前面临的问题

• localization（定位），往往会随着时间的推移而 drift（漂移）；
  • SLAM算法，给出的局部和增量定位估计，随着移动距离的增加，往往偏离真实轨迹。
  • 如果没有先验知识或绝对信息，几乎不可能确保数公里内的准确定位。
• 地图不一定适用于每一种驾驶环境。
  • 提供必要的信息，以确定车辆在不同季节、天气或交通状况下的位置。
• 人们设想了许多解决办法，解决上述问题：
  • 例如，绘制一幅地图时仔细挑选有特征的信息，以便以后重用；
  • 例如，利用新的通讯系统，以便分享和改进其他道路使用者绘制的地图。

5 SLAM典型的解决方案

• 定位的鲁棒性涉及到
  • 数据提取
  • 原始搜索[9]
  • 数据关联[10]
  • 地图存储和更新[11]
• 常汽车状态（vehicle state）有
  • 2D位置
  • 方向
  • 6D姿态
  • 速度
  • 加速度等
• SLAM问题两种表示方式
  • 1. full SLAM：在给定所有的控制输入，和所有的测量值的情况下估计整个汽车的轨迹和地图。
    • 实时性很难，因为问题的复杂性，会随着所考虑的变量数量的增加而增加。
  • 2. online SLAM：基于最后的传感器信息，估计车辆的当前位置。

5.1 Filter-based SLAM

• 对应于迭代过程，因此适合用于 online SLAM
• 源于贝叶斯滤波，含两步迭代过程。
  • 第一步，使用进化模型（evolution model）和控制输入，对车辆和地图进行状态预测；
  • 第二步，将来自传感器的当前观测数据，与地图进行匹配，以便对之前预测的进行状态校正。
  • 增量式地集成传感器数据，来估计车辆姿态和地图。

5.1.1 Extended Kalman Filter

• KFs假设数据，受到高斯噪声的影响，在实际情况下不一定是真的；
• KFs被设计用来处理线性系统，它们收敛性很好；
• Sonars声纳，是最早的使用EKF，用于水下应用的SLAM方法之一。
• 特性介绍：
  • 扩展卡尔曼滤波器(EKF)[15]是非线性滤波的常用工具；
  • 通过一阶泰勒展开，增加了一个线性化步骤；
  • 只要围绕状态向量的真值进行线性化，可以达到EKF最优性；但正确的真值不容易得到。
  • 不断增长的地图尺寸，使得EKF无法支持大规模的SLAM。
    • 因为更新时间与状态向量的大小呈二次关系。
    • 解决方案：
      • 引入子地图的概念；
      • 图结构，Atlas框架[30]；
      • 条件独立子地图[32]；
      • Compressed EKF SLAM[19]。

5.1.2 Unscented Kalman Filter

• 大部分工作发生在2000年前后[37][38]；
• 避免了雅可比矩阵的计算；
• 其思想是对粒子进行采样，称为sigma点，这些点通过似然函数围绕期望值进行预测；
• 主要缺点：计算时间长。

5.1.3 Information Filter

• 卡尔曼滤波器的逆形式；
• 将信息矩阵定义为协方差矩阵的逆矩阵；
• 主要的优点
  • 使更新步骤，变成了附加式的，而不依赖于观测值的顺序；
  • 通过打破数据[42]之间的弱链接，来实现信息矩阵的稀疏化，这可以确保近乎恒定的更新时间；
  • IF在 multi-vehicle SLAM 中得到了更多的利用。
• 缺点：
  • 但IF在 mono-vehicle SLAM 中，没有EKF那么受欢迎[44][45][46]。
    • 因为它需要把每一个测量，转换成它的逆形式，这可能是耗费时间和内存的。

5.1.4 Particle Filter

• 根据概率密度（probability density），用一组粒子进行状态采样；
• 对每个粒子的位移进行预测，并根据观测结果进行更新；
  • 在更新阶段，根据测量值的可能性对粒子进行加权;
  • 可能性最大的粒子被保留，其他粒子被排除，并生成新的粒子[3]。
• PFs的主要优点：不需要高斯噪声假设，可以适应任何分布。
• 缺点：
  • 该方法直接应用SLAM很难的，因为每个地标都需要一组粒子。
  • long-term inconsistency [53]
• 改进：
  • 分布式粒子方法DP-SLAM[47]和DPSLAM 2.0[48]，
    • 使用最小的祖先树（a minimal ancestry tree），作为数据存储结构；
    • 引导PF来实现快速更新，同时减少了PF的迭代次数。
    • FastSLAM  -- [49]最著名的PF算法
      • 特性：
        • 可以real-time[52]；
        • 可以通过将FastSLAM与一个IF相结合，来解决 long-term inconsistency的问题；
          • 但是在计算上很复杂。
        • Landmark的不确定性，由单元的占用概率表示，这使得地图的部分更新成为可能；
      • 趋势：当使用视觉传感器[24]，和具有激光数据的二维网格时，基于过滤的方法，现在倾向于依赖于3D点。
• RADARs 在SLAM中的应用
  • [61][62][63]中用基于过滤的方法；
  • 然而，由于信号的噪声性质，它们在大规模实验中的应用仍然有限；
  • 通常用于障碍物探测。

5.2 Optimization-based SLAM

• 通常由两个子系统组成：
  • 第一个子系统，根据传感器数据，通过发现新观测值和地图之间的对应关系，来确定问题的约束条件；
  • 第二个子系统，计算或改进车辆姿态(以及过去的姿态)和给定约束条件的地图，从而形成一个连贯的整体。

5.2.1 Bundle Adjustment

• 一种视觉技术，联合优化三维结构和相机参数(位姿)；
• 早期的研究多集中在三维重建方面[64]；
• 主要思想是优化，通常使用 Levenberg-Marquardt 算法[65]（一个目标函数）。
• 缺点：
  • 计算量太大，因为它同时考虑所有的变量，来优化。
    • 改进：
      • 在[66][67]中，提出了一种处理较小块的分层方法；
        • 为了降低复杂性，在所有帧中选择或创建两个虚拟关键帧，来表示给定的部分；
        • 这减少了要优化的变量的数量。
        • 类似的方法已经在[68]（E. Royer，2005）中应用于自主驾驶，定位结果准确，但需要离线地图。
      • 在[69]（D. Steedly，2001）中，提出了一种只对新信息进行增量优化的方法；
      • 在[70]（Z. Zhang，2003）中，作者在关键帧上使用滑动窗口，来局部最小化重投影误差；
  • 对于每一种优化技术，当给出一个良好的粗略估计时，BA是有效的。从这个意义上讲，过滤异常值是很重要的。
    • 改进：
      • Nister等[71]提出了一种基于 preemptive(抢占式) RANSAC[72]的选择方法。
      • 在[11]中提出了一个 local bundle adjustment。
        • 目标是在最后n帧点的2D重投影的基础上，局部优化最后n个摄像机位置。
      • 利用机器学习方法，对双目标函数(视觉和惯性目标函数)的系数进行加权。

5.2.2 Graph SLAM

• Bayesian SLAM的图形表示，特别适合通过优化方法，来解决问题。
• 一般情况下，非线性函数F(x;m)，通常用局部近似来简化。
  • 常用的方法有：
    • Gauss-Newton (高斯-牛顿法)；
    • Levenberg-Marquardt (勒文伯格-马夸特法) ；
    • Gauss-Seidel relaxation (高斯-塞德尔松弛法)；
    • gradient descent (梯度下降法)。
  • 这些方法既可以通过优化整个轨迹进行工作，也可以通过小位移增量进行实时使用。
• ORO算法[76]
  • 采用一种随机梯度下降变体，并在图中加入了一种新节点的参数化方法。
• manifold
  • 另一种不同的想法是不考虑欧几里德空间，而是考虑流形；
  • 在HOG-MAN[77]算法的基础上，提出了流形的层次优化；
  • 最低级别表示原始数据，而最高级别表示环境的结构信息；
  • 在g2o[78]中，利用海森矩阵的结构，来降低系统的复杂度进行优化；
• COP-SLAM[79]
  • 采用姿态图；
  • 考虑位移和相关的不确定性，来建立一个位姿链(a chain of poses)。
• TreeMap[80]
  • 利用地图的树状结构，使地标的拓扑组更稀疏；
  • 从而使信息矩阵更稀疏，从而加快了对n个地标的处理(O (log n))。
• iSAM (incremental And Mapping)[81][82]
  • 没有利用图形结构，但简化了信息矩阵，加快了底层优化。
  • 这里的目标是，稀疏信息矩阵的QR分解。

5.3 Filter-based SLAM 对比 Optimization-based SLAM

• 比较工作在[83]中提出，然后在[84]中扩展到 monocular 方法。
  • 作者总结到“基于滤波器的SLAM框架，有利于应对较小的处理预算；而BA优化在其他方面较优。” [83]
• 结论：优化往往会给出更好的结果，对比于滤波的方法受线性化问题的限制。

5.4 一些标准数据集

5.5 KITTI中高排名的算法

• V-LOAM [105]（J. Zhang and S. Singh，2015）：“Visual-lidar Odometry and Mapping: Lowdrift, Robust, and Fast”
  • 高排名定位方法；
  • 结合visual odometry，和较慢的3D laser odometry，进行运动估计。
• SOFT [106] （Cvisi ˇ c and I. Petrovi ´ c，2015）：“Stereo odometry based on careful feature selection and tracking,”
  • 最好的stereo approach，采用视觉里程测量；基于细节的特征选择和跟踪；
  • 在两幅图像中都提取了角状特征。通过SAD(绝对和)，在小窗口内，查找对应差异。

5.6 自主驾驶中SLAM的一些评价标准

• Accuracy 准确度
  • 理想情况下，精确度应始终低于阈值(通常约20厘米[109])。
• Scalability 可量测性
  • 是指车辆处理大规模自动驾驶的能力。SLAM算法应该能够在固定的时间和固定的内存使用情况下工作；
  • 例如，所构建和/或使用的地图，必须很 light （轻量级）
    • (或存储在远程服务器上，并在运行中进行检索)，以便在长距离中方便地使用。
• Availability 可用性
  • 指SLAM算法的直接可用性。
• Recovery 自复位性
  • 大型地图中定位车辆的能力
    • 最初，车辆不知道它在哪里，并且在大多数情况下，需要一个专门的流程来大致了解它在地图上的位置；
    • 或是一个从失败(被绑架的机器人问题)中恢复的方法。
• Updatability 可更新性
  • 指确定地图与当前观测之间的永久变化
    • 包括需要集成这些持久更改，而不是临时更改的更新策略；
    • 长期自动驾驶需要地图更新的自动化。
• Dynamicity 动态性
  • 指SLAM方法如何处理动态环境和变化
    • 包括，可能定位估计扭曲化的，动态障碍；
    • 它还集成了可以变化的天气条件，以及季节变化(树木落叶等)。
      • 如：[142] T. Naseer, M. Ruhnke, C. Stachniss, L. Spinello, and W. Burgard, “Robust Visual SLAM Across Seasons,” in IEEE/RSJ International Conference on Intelligent Robots and Systems, 2015, pp. 2529–2535.

6 Relocalization and loop closure

6.1 描述与分类

• 识别之前映射的位置，从而减少SLAM算法引起的漂移，被认为是SLAM的重要组成部分；
• 环路闭合（loop closure），最初被认为是一种纠正漂移（drift）的方法；
• 由于视觉信息的丰富性，大多数方法都使用摄像机来寻找 loop。
  • Williams等人[131]，将这些算法分为三类:
    • Image-to-image methods [132]
      • 闭环检测（loop detection），发生在传感器空间（sensor space ）中。
        • 基于视觉线索的 bag-of-words 方法[132][135]属于这一类；
        • 这个想法是建立一个字典，每个单词代表相似的描述符。
    • map-to-map methods [133]
      • 仅基于map中包含的信息。这是GCBB算法(Geometric Constraint Branch and Bound 几何约束分支)的情况，在[143]中提出。
      • 其原理是，定义地图中地标，对与当前观测值之间的几何约束。
    • Image-to-map methods [134]
      • 从传感器空间提取信息，并直接与地图进行比较。

6.2 自动驾驶中，常用“重定位和闭环检测”方法汇总

6.2.1 讨论与总结

• 近年来，如何处理季节性或天气变化是一个研究重点。
• 即使看起来图像对图像的方法是受欢迎的，但是最近的方法，倾向于结合不同的方法来确保一个地方被正确识别。

6.3 自动驾驶中，在已构建的map中Localization方法汇总

6.3.1 讨论与总结

• 使用以前构建的地图，进行定位是很有意义的；
• 从以上分析来看，似乎要在有限的范围内，建立考虑永久性变化以及季节和天气的终身地图（life-long maps），仍然是一个挑战；
• 在准确性方面，即使显示了一些令人印象深刻的结果，也很难预测一种地图，在不同的环境中工作状态如何。

6.4 自动驾驶中，在现有(或未来)的map的Localization方法汇总

6.4.1 讨论与总结

• 从当前现有地图的定位方法的状态来看，它们还不能用于自动驾驶；
• 精度不够，即使是使用更精确的车道地图(手工构建)的算法，也无法达到临界精度(约20厘米[109])用于自动驾驶；
• 利用当前的数据库是一个不断发展的趋势；
• 作者倾向于关注一种特定类型的数据，并找到一个框架和一种能够同时利用所有可用资源的评估方法；

7 MULTI-VEHICLE SLAM

7.1 概念与分类

• 在世界范围内，为定位创建或利用地图是复杂的；
• 车辆之间的合作，可以改进现有地图，或简化大规模数据收集，以便进行适当的地图构建，来限制漂移和增强地；
• 存在两种系统:集中式方法和分散式方法。
  • Centralized SLAM：
    • 所有通信都指向一个实体，该实体在将结果发送回车辆之前，聚合和融合所有数据。
  • Decentralized SLAM：
    • 分散系统假设每辆车都能够在与车队其他车辆通信的同时，构建自己的分散地图；
    • 这意味着必须控制信息流，以避免带宽拥堵和估计问题，而这类情况通常会发生。

7.2 讨论与总结

• 多机器人SLAM方法，在自动驾驶上的成熟程度，在很大程度上取决于处理数据的方式；
• 未来的一个问题:未来的汽车将具备多大的带宽容量，但最重要的是汽车能否接入互联网；
• 将关键处理部分，完全移植到到云上，可能不够安全；
• 分散式（去中心化）SLAM:
  • 在合理的时间内，更新从几辆车收集的地图，是一个有趣的前景；
  • 地图中可能发生变化的部分进行实时更新，可能有助于无人驾驶汽车以更快的方式适应变化；
    • 此外，低动态性的环境条件可以预先识别到，以便车辆通过选择更适合的特性来进行预测。
      • 这也意味着一个主要的前景，仍然是软件架构的设计，能够处理数据流和适当的片段更新；
      • 使基于云的在线方法可行的一个关键因素，是选择能够集成所有传入信息的地图表示形式。
  • 使用完全分散的方法，共享相似的目标。
    • 通过接收附近车辆的信息，自我车辆可以选择将哪些信息整合到自己的地图中。
      • 因此，一个有趣的挑战是建立标准，来评估来自不同车辆的地图与自我车辆目标(目的地、能量约束等)之间的信息增益价值。
• 集中式SLAM:
  • 可能是目前较成熟的自动驾驶方法，主要原因是这一挑战非常接近于 multisession SLAM；
  • 虽然未来的 HAD 地图，可能无法提供在各种情况下可靠地定位车辆所需的所有信息；
    • 但可以事先，通过探测车，快速收集足够数据来构建此类地图。
      • 但车辆探测长期变化的能力，也是一个值得关注的问题。
  • 限制地图数据量的增长，仍然是一个 blocking point；
• 一个相当大的挑战是，构建足够健壮的软件架构，来集成和处理所有这些数据。
  • 这种基础设施的成本，决定了用这种方法对工业企业，进行大规模实验，而不是小规模的研究团队。

8 讨论和结论

未来的方向和剩下的挑战。

在第23届世界大会期间，举办的 localization competition，使用HERE提供的低分辨率的，地上物体和车道体素地图，参与者被要求提出一个准确的定位算法。比赛结束时，却没有赢家，因为都没有达到目标准确性。

• HAD地图，未来几年或将可用，目前还不清楚它是否会为定位算法，提供足够强大的先验知识。
  • 这些map可以用作本地动态地图（Local Dynamic Map(LDM)）的一部分。
  • 由这些地图收集的静态和动态信息，可以供SLAM使用。
  • 标准化是必要的，如[272]  欧洲电信标准协会 ETSI建议的标准。
• 传感器配置 ( sensor placement )
  • 其对定位系统的性能，产生的影响巨大；
    • 如，车顶上的激光雷达，将对周围基础设施有一个清晰的视图
    • 并能避开大多数移动障碍，而底盘上的激光雷达可能会受到遮挡的影响。
  • 定位所需的传感器的最小集合，也没有明确的定义(即使激光和照相机似乎更受欢迎)
    • 这样的定义，应该与作为先验知识的地图表示一起制定。
  • 传感器的成本也应考虑在内。
  • 多模态 multi-modality 
    • 如，一张地图可以由昂贵的3D激光构建，但随后可以由一个简单的相机来使用。
• 构建灵活的体系结构
  • 在这种体系结构中，决策系统可以根据具体环境，选择需要的传感器、探测器或地图。
• 具体环境 ( context )
  • 目前开展的大部分工作都是室内定位；
  • Chatila et al. in [274] 1985 提出语义(对象)地图可用于高层决策；
  • 参考[278]：单目语义地图，将已知的物体整合到SLAM中；
  • 参考 [279]：SLAM++，对象级别的SLAM；
  • 户外环境中的语义SLAM，仍然是一个需要解决的挑战。
• 卷积神经网络
  • 通过使用来自这些网络的特征图，来改变位置识别 （place recognition） 的方式；
  • 可以构建图像语义mapping；
  • 局限性：
    • 目前处理对象，是移除移动的，或暂时静态的环境；
  • 经典例子（Bojarski，2016）[282] ：从相机获取的信息，直接应用于方向盘转向角。
• 其他
  • 使用以前构建的，没有可伸缩性问题的map，这是一种长期测试它们，并使它们适应环境变化的好方法。
  • 安全性
    • 应考虑到故障，及故障对定位系统的影响。

9 经典论文

9.1 SLAM 综述相关文章

• [85] J. Aulinas, Y. Petillot, J. Salvi, and X. Llado, “The SLAM problem: a survey,” in 11th International Conference of the Catalan Association for Artificial Intelligence, 2008, pp. 363–371.
• [86] G. Dissanayake, S. Huang, Z. Wang, and R. Ranasinghe, “A Review of Recent Developments in Simultaneous Localization and Mapping,” in IEEE 6th International Conference on Industrial and Information Systems, 2011, pp. 477–482
• G. Ros, A. D. Sappa, D. Ponsa, and A. M. Lopez, “Visual SLAM for Driverless Cars: A Brief Survey,” in IEEE Intelligent Vehicles Symposium Workshops, 2012.
• S. Lowry, N. Sunderhauf, P. Newman, J. J. Leonard, D. Cox, P. Corke, ¨ and M. J. Milford, “Visual Place Recognition: A Survey,” IEEE Transactions on Robotics, vol. 32, no. 1, pp. 1–19, 2016.
  • 研究问题：位置识别，动物王国中对位置的识别，当外观变换时怎样识别的问题。

9.2 SLAM问题的发展

• R. Smith and P. Cheeseman, “On the Representation and Estimation of Spatial Uncertainty,” The International Journal of Robotics Research, vol. 5, no. 4, pp. 56–68, 1986.
  • SLAM问题的最初提出。
• J. J. Leonard and H. Durrant-Whyte, “Simultaneous Map Building and Localization for an Autonomous Mobile Robot,” in IEEE/RSJ International Conference on Intelligent Robots and Systems, 1991, pp. 1442–1447.
  • SLAM问题的最初的清晰明确化  structuring works。
• SLAM的系统化介绍
  • T. Bailey and H. Durrant-Whyte, “Simultaneous Localization and Mapping (SLAM): Part II,” IEEE Robotics and Automation Magazine, vol. 13, no. 3, pp. 108–117, 2006.
  • T. Bailey and H. Durrant-Whyte, “Simultaneous Localization and Mapping: Part I,” IEEE Robotics and Automation Magazine, vol. 13,no. 2, pp. 99–110, 2006.
• SLAM最新的回顾，和目前的挑战
  • C. Cadena, L. Carlone, H. Carrillo, Y. Latif, D. Scaramuzza, J. Neira, I. Reid, and J. J. Leonard, “Past, Present, and Future of Simultaneous Localization and Mapping: Toward the Robust-Perception Age,” IEEE Transactions on Robotics, vol. 32, no. 6, pp. 1309–1332, 2016.

9.3 多种传感器融合的方法

• P. Newman, D. Cole, and K. Ho, “Outdoor SLAM Using Visual Appearance and Laser Ranging,” in IEEE International Conference on Robotics and Automation, 2006, pp. 1180–1187
  • 视觉与激光的耦合
• [128] R. C. Luo, C.-C. Yih, and K. L. Su, “Multisensor fusion and integration: approaches, applications, and future research directions,” IEEE Sensors Journal, vol. 2, no. 2, pp. 107–119, 2002
  • 将信息融合分为三个层次：
    • 原始数据——低层次；特征——中层次；对象——高层次。
• [129] J. A. Castellanos, J. Neira, and J. D. Tardos, “Multisensor fusion for ´simultaneous localization and map building,” IEEE Transactions on Robotics and Automation, vol. 17, no. 6, pp. 908–914, 2001.
  • 将激光与摄像机数据进行耦合(先进行激光估计，然后进行相机优化）；融合效果达到 a landmark level。
• [130] L. Wei, C. Cappelle, and Y. Ruichek, “Camera/laser/GPS fusion method for vehicle positioning under extended NIS-based sensor validation,” IEEE Transactions on Instrumentation and Measurement, vol. 62,no. 11, pp. 3110–3122, 2013
  • 根据信息相关性（information coherency）对摄像机、激光和GPS进行信息融合。
• [105] J. Zhang and S. Singh, “Visual-lidar Odometry and Mapping: Lowdrift, Robust, and Fast,” in IEEE International Conference on Robotics and Automation, 2015.
  • 结合视觉和三维激光数据，产生低漂移算法。
• R. Chatila and J.-P. Laumond, “Position referencing and consistent world modeling for mobile robots,” in IEEE International Conference on Robotics and Automation, 1985, pp. 138–145.
  • SLAM早期经典作品，室内定位，提出语义(对象)地图，用于高层决策。
• H. Zender, O. Mart´ınez Mozos, P. Jensfelt, G.-J. Kruijff, and W. Burgard, “Conceptual spatial representations for indoor mobile robots,”Robotics and Autonomous Systems, vol. 56, no. 6, pp. 493–502, 2008.
  • 经典论文：提出了基于三种不同概念空间的，地图表示方法:metric(来自SLAM系统)、navigation(自由空间)和topological(门分隔区域之间的连接)。
• R. F. Salas-Moreno, R. A. Newcombe, H. Strasdat, P. H. J. Kelly, and A. J. Davison, “SLAM++: Simultaneous Localisation and Mapping at the Level of Objects,” in IEEE Conference on Computer Vision and Pattern Recognition, 2013, pp. 1352–1359.
  • 经典论文，对象级别的SLAM。
• M. Bojarski, D. D. Testa, D. Dworakowski, B. Firner, B. Flepp, P. Goyal, L. D. Jackel, M. Monfort, U. Muller, J. Zhang, X. Zhang, J. Zhao, and K. Zieba, “End to End Learning for Self-Driving Cars,” CoRR, 2016 [282]
  • 经典论文，高引用论文，训练了一个卷积神经网络(CNN)，从相机获取的信息，直接应用于方向盘转向角。

9.4 BA算法的经典代表

• [64] B. Triggs, P. F. McLauchlan, R. I. Hartley, and A. W. Fitzgibbon, “Bundle Adjustment - A Modern Synthesis,” in Vision Algorithms: Theory and Practice. Springer, 2000, pp. 298–372.
• [65] W. Press, S. Keukolsky, W. Vettering, and B. Flannery, “LevenbergMarquardt Method,” Numerical Recipes in C: The Art of Scientific Computation, pp. 542–547, 1992.
• H.-Y. Shum, Q. Ke, and Z. Zhang, “Efficient Bundle Adjustment with Virtual Key Frames: A Hierarchical Approach to Multi-frame Structure from Motion,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1999.
• E. Mouragnon, M. Lhuillier, M. Dhome, F. Dekeyser, and P. Sayd, “Real Time Localization and 3D Reconstruction,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2006, pp. 363–370.
  • 提出 LBA (local bundle adjustment)

9.5 Visual Odometry 系统介绍杂志

• D. Scaramuzza and F. Fraundorfer, “Visual Odometry: Part I: The First 30 Years and Fundamentals,” IEEE Robotics & Automation Magazine, vol. 18, no. 4, pp. 80–92, 2011
• F. Fraundorfer and D. Scaramuzza, “Visual Odometry: Part II: Matching, RobuRobust, Optimization, and Applications,” IEEE Robotics & Automation Magazine, vol. 19, no. 2, pp. 78–90, 2012.

论文笔记_SLAM_Simultaneous Localization And Mapping: A Survey of Current Trends in Autonomous Driving相关推荐

1. SLAM综述阅读笔记二：Simultaneous Localization and Mapping: A Survey of Current Trends in Autonomous（2017）

   转自[第八篇 SLAM:自动驾驶当前趋势综述 - 知乎] 说明该总结主要是针对自动驾驶 <Simultaneous Localization And Mapping: A Survey of C ...

2. 论文理解 A Survey on Trajectory-Prediction Methods for Autonomous Driving

   标题:A Survey on Trajectory-Prediction Methods for Autonomous Driving 链接:[A Survey on Trajectory-Predi ...

3. Semantic Visual Simultaneous Localization and Mapping: A Survey阅读笔记

   Abstract: 通过语义和vslam结合可以很好解决动态和复杂环境中良好定位. 首先回顾了语义vslam发展,关注优势和差异. 其次探讨了:语义信息提取和关联.语义的应用和语义的优势 然后收集分析 ...

4. Semantic Visual Simultaneous Localization and Mapping A Survey

   基于视觉传感器的SLAM,又称视觉SLAM(visual SLAM),因其硬件成本低.小场景精度高.能获取丰富的环境信息等优点,近年来成为热门的研究方向. VSLAM的缺点也很明显.一方面,在应对光线 ...

5. 论文笔记 Deep Facial Expression Recognition: A Survey深度面部表情识别调查

   论文链接:https://arxiv.org/abs/1804.08348 面部表情是人类传达其情感状态和意图的最强烈,最自然和最普遍的信号之一.下图是面部表情识别数据库和方法的进化过程,由传统的Ha ...

6. 论文笔记4：GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong

   GIS-based mapping of Local Climate Zone in the high-density city of Hong Kong urban morphology analy ...

7. 【论文阅读】GRI: General Reinforced Imitation and its Application to Vision-Based Autonomous Driving

   Column: December 30, 2021 11:01 PM Last edited time: January 10, 2022 4:45 PM Sensor/组织: 3 RGB; 曾经短暂 ...

8. Autonomous Driving in Adverse Weather Conditions: A Survey - 恶劣天气条件下的自动驾驶：一项调查 (arXiv 2021)

   Autonomous Driving in Adverse Weather Conditions: A Survey - 恶劣天气条件下的自动驾驶:一项调查(arXiv 2021) 摘要 1. 引言 ...

9. 《Deep Reinforcement Learning for Autonomous Driving: A Survey》笔记

   B Ravi Kiran , Ibrahim Sobh , Victor Talpaert , Patrick Mannion , Ahmad A. Al Sallab, Senthil Yogama ...

10. A Survey of Simultaneous Localization and Mapping 论文精读笔记

    A Survey of Simultaneous Localization and Mapping 南洋理工大学,武汉大学,2019.10.12 这是南洋理工大学的一篇关于SLAM的综述.(好像是赵俊 ...

最新文章

1. VMware 虚拟化编程(14) — VDDK 的高级传输模式详解
2. NLP类别不均衡问题之loss大集合
3. 网易云音乐一键听歌300首_网易云打卡，一键听歌300首。
4. SVD 与 PCA 的直观解释(1): 线性变换
5. Nginx官网提供的版本类型
6. The application could not be installed: INSTALL_FAILED_INSUFFICIENT_STORAGE
7. 灰色关联分析_（案例）相关分析之灰色关联度
8. SLAM十四讲中的第五讲点云拼接
9. 镜像神经元训练方法图解,镜像神经元怎么训练
10. excel的sumif()函数和sumifs()函数
11. 人工智能研究中心快递柜——代码分析九
12. 小程序—这款工具把加速计、陀螺仪、设备方向的调试痛点解决了
13. 基于51单片机自动数字电压表PCF8591 TLC2543 TL548 proteus仿真汇编程序设计
14. Exynos_4412——RTC实验
15. 非正式纳新题解（C语言）
16. 论文笔记：联邦学习——Federated Learning: Challenges, Methods, and Future Directions
17. C# 文字转换最简单的方法
18. python爬虫天猫商品数据及分析（4）
19. Java的方式生成条形码
20. 【CCF】——中间数（详细分析）

热门文章

1. 【十次方基础教程（后台）】Dockerfile脚本完成镜像的构建
2. IDEA2018全局搜索中搜索jar包/lib
3. tomcat的server.xml中的Context节配置
4. 带标签的 break 和 continue (Java)
5. AC日记——贪婪大陆 洛谷 P2184
6. Android - Broadcast机制
7. 计算机病毒实践汇总三：动态分析基础(分析程序)
8. 用ASP.NET开发胖客户端应用程序
9. .Net中消除Dll中的dependency
10. Ant—使用Ant构建简单Java项目（一）