翻译

Real-Time Global Localization of Robotic Cars in Lane Level via Lane Marking Detection and Shape Registration

中文名

通过车道标记检测和形状配准在车道级别对机器人小车进行实时全局定位

between the detected lane markings and a GPS-based road shape prior，通过交叉验证方案将其绝对误差限制在厘米级。

交叉验证方案

当GPS遭受频繁的卫星信号掩蔽或阻塞时，可以通过使用车道标记检测来确定GPS定位
而当车道标记检测在恶劣天气条件下或车道签名较差时不能很好地工作时，可以通过基于GPS的道路形状验证并完成车道标记检测。

方法

fusing vision based lanemarking detection with GPS based localization for robotic cars driving in urban environments.

An innovative cross validation scheme is introduced in this paper

本文的其余部分的结构如下。

II

一项里程碑式的工作是仅使用单目视觉实现了实时同时定位和制图（SLAM）[13]，但仅适用于地标少于100个的小规模环境。

但是，这激发了许多尝试绘制视觉信息的尝试[8] – [10]，[14]，[15]。甚至这些作品提供的某些地图都是相对的，它们使双向地图匹配过程成为可能，这不仅会产生与道路网络一致的位置和轨迹，而且还会从地图匹配中反馈信息到相机传感器融合 。

文献[3]中报道的方法将立体视觉与航拍图像融合在一起，然后实时估计车辆姿态（误差在10 m以内）。它的鲁棒性和位置误差仍然需要改进，以满足机器人汽车的先进要求。

A. Brubakeret等人提出了另一种新颖且令人兴奋的基于地图的概率视觉自定位方法。 [16]，[17]。由两台摄像机计算出的视觉里程表和免费使用的OpenStreetMap是系统的输入，并且提出的方法能够在经过数秒钟的驾驶之后将车辆本地平均定位到4 m，但是，定位精度仍远未达到自动驾驶的要求，并且要应对OSM中固有的歧义仍然非常具有挑战性。

最近的一些工作旨在解决城市环境中的本地化问题，在该环境中，许多结构性道路或交通标志信息可能会与地图中的信息相匹配。

[9]使用高精度地图融合了车道标记和路缘的检测结果，并达到了厘米范围的精度。此方法高度依赖于车道标记和路缘的检测精度，但是这个前提条件不能总是满足，尤其是在农村进行测试时在[10]陶等人。

通过两阶段的地图匹配过程演示了他们的车道标记辅助车辆定位方法。通过预先融合立体视觉，GPS和/或地面影像而创建的精确地图，可以通过将检测到的道路标记与地图相匹配来将车辆定位在行内水平。但是，只有在嵌入了带有车道标记详细信息的精确地图之后，才能将位置精度提高到大约1 m。

请注意

所有这些系统都具有类似的假设，认为地图中包含的错误是可以接受的，并且可以保证地图的准确性，并且可以将地图用作地面信息。在本文中，我们遵循相同的假设。

III

inputs from

a forward-looking camera,
- an Inertial Measurement Unit (IMU),
a standard GPS receiver,
and a road map,
the proposed system outputs
lane marking detection
and the global localization of the vehicle in centimeter-level.

The localization procedure consists of three modules:

visual localization,
GPS localization,
and 3) the cross validation.

Both the accuracy and robustness of the ﬁnal localization are improved by the cross validation of the visual localization and the road map.

定位程序包含三个模块：1）视觉定位，2）GPS定位和3）交叉验证。通过视觉定位和路线图的交叉验证，可以提高最终定位的准确性和鲁棒性。

通过将车道标记检测与来自IMU的相机姿态测量相集成来实现视觉定位。

基于行车道标记检测算法输出的图像中的行车道标记定位，以及来自IMU的相机姿态测量，视觉定位模块可恢复车辆在车道内的位置和方向。

车辆前方的道路被建模为平坦表面，这意味着在图像平面和地面之间存在简单的投影关系。然后，将车道检测简化为涂在路面上的车道标记的本地化。

GPS本地化输出过滤后的GPS位置，仅靠它不能恢复足够精确的车辆位置来执行自动驾驶。

在该模块中，我们使用GPS位置固定作为初始化，以启动地图匹配算法[18]，该算法发现道路图中车辆的定位。

道路地图是基于GPS的数字地图，代表道路的最左侧和最右侧车道标记。经过地图匹配过程，我们获得了代表车辆行驶道路形状的GPS点，本文将其表示为道路形状。

交叉验证方案负责融合GPS定位模块之前的道路形状，并通过形状注册算法从视觉定位中检测出车道标记。最终定位提供了以厘米级估算的车辆位置。

该模块由形状配准算法和位置确定程序组成。

形状配准算法可验证检测到的标记结果，因为检测到的结果可能包含噪音或错误的检测结果。

在解决此问题之前，我们先介绍道路形状。

更具体地说，形状配准是通过有效的迭代最近点算法（ICP）实现的，该算法测量由检测到的车道标记形成的车道形状与先验道路形状之间的相似度。然后，位置修正程序可以根据基于ICP的形状配准输出的平移输出来校正GPS位置修正。

所提出的定位方法的基础是这样一个事实，即GPS定位和视觉定位中的误差本质上是互补的。一方面，GPS定位不准确，有时可能完全不可用。由于形状点的近似道路几何形状会引入额外的局部误差，因为当今标准地图的精确度约为5 m至20 m。但是，GPS定位固定器中的误差是有限的。另一方面，视觉定位技术通常不能在无限长的时间内准确地定位车辆，因为它们不能测量绝对位置。如果不偶尔测量绝对位置，仅使用视觉技术估算的位置误差就会无限制地增长。将视觉定位与GPS定位结合使用可以增强所提出的定位技术的整体性能。

IV

如图1所示，行车道标记检测和路线图是遵循交叉验证方案的输入。在本节中，我们简要描述了车道标记检测算法，然后简要介绍了系统中使用的路线图的样式和可用性。

A. Robust Lane Marking Detection With IMU

车道标记检测已在自动驾驶和汽车行业（商业车道检测系统）的文献中得到了极大的介绍。在这里，我们通过结合基于视觉的车道标记检测和摄像机姿态估计与自建IMU集成，提供了一种有效的车道标记检测系统。

车道标记被建模为特定宽度的白条，相对于输入图像中较暗的背景。可以通过输入图像的反向透视映射（IPM）上的模板匹配过程[19]来识别满足此强度分布图的图像区域。

三线性方法[20]用于保证准确的IPM转换。

由光纤陀螺仪（FOG）和速度传感器组成的IMU用于在连续的时间步长中关联车道标记检测。

如图3（a）所示，还定义了3车道模型作为与检测到的车道标记匹配的语义模板。

图3示出了所提出的在城市环境中的车道标记检测算法的车道标记结果。

图4说明了两个具有挑战性的示例。

这些故障可以通过事先介绍道路形状来解决。

道路形状先验可用于判断直行车道是否已被错误地检测为弯道，如图4（a）所示。
如图4（b）所示，地图中的道路宽度可用于消除沿相反行驶方向的车道。

（a）道路一侧的白杆被错误地提取为车道标记特征。
（b）从相反行驶方向的车道检测到的车道标记L2与三车道模型冲突。

Style and Availability of Road ShapePrior

与[9]，[10]，[22]中介绍的地图不同，在地图中，这些地图定位为具有丰富详细信息的车道标记地图，

我们的路线图采用简单，紧凑且逐点的格式，存储了最左侧和最右侧车道标记的GPS位置。

地图数据存储在东西北坐标系中。

然后，通过地图匹配后的GPS点序列来显示道路形状先验。

考虑到路线图的简单格式，此处我们使用两步地图生成方法。

第一步，将路线分为几个独立的路段，并使用Google Earth卫星图像手动标记每个路段的最左和最右车道标记[21]。

第二步是提高地图的准确性。

由于误差在透视图或某些区域性法规中的传播[23]，因此路线图可能包含误差，主要是比例尺，旋转和平移。

然后，我们在卫星图像中标记每个路段的几个地标的GPS位置，以及它们在实际环境中的对应GPS位置。

RTK-GPS的厘米位置精度保证了地标的地面真实位置。

ICP [24]方法用于独立计算每个路段的两次测量之间的比例，旋转和平移。

通过分别缩放，旋转和平移每个路段，可以提高路线图的准确性

请注意，Google Earth的可用性是基础，虽然这可能不能永远保障。

路线图的校正仅是按比例因子进行的刚性转换，无法校正诸如Google Earth与实际环境之间的道路形状不一致之类的错误。在这种情况下，我们还引入了相应图像序列的车道标记检测以纠正这些错误。最终路线图与Google Earth和RTK-GPS捕获的车道标记结果结合在一起。

本文中的路线图展示了实际环境中最左侧和最右侧车道标记的真实性。

V. SHAPE REGISTRATION 图像配准

如第四节所述，事先缺乏道路形状可能会在车道标记检测中造成严重问题。我们在解决这些问题之前先介绍了道路形状，然后在检测到的车道标记的形状和道路形状之间进行了几何一致性检查。针对几何一致性，开发了基于ICP的形状配准算法，该算法是交叉验证方案的核心。在介绍交叉验证方案之前，我们先介绍图像配准算法。表I总结了本节中使用的符号定义。

基于ICP的形状配准算法可以总结如下：

分别从三车道模型的最左和最右车道标记结果中均匀采样两个点集Ll和Lr，

分别从道路形状的左边界和右边界以相同的间隔均匀采样两个点集Rl和Rr。

然后的目标是找到一个刚性变换T（由旋转R和平移T组成），从而在Llr和Rlr之间产生最佳对齐。

由于Llr和Rlr之间的对应关系未知，因此可以通过等式右手边的距离函数交替迭代最小化来找到最佳T。

（1）在RTR = 1且det（R）= 1的约束下。

替代迭代最小化的每个迭代都包含两个步骤。

第（k + 1）次迭代的第一步是求解方程式（2）

第k次迭代中给定的旋转矩阵Rk和平移矢量Tk，求出的Rlr和Llr之间的最佳对应关系。

等式（2）可以通过k-d树[25]或Delaunay细分算法[26]解决。

其中向量Ck在Llr中记录与第k次迭代中Rlr的点相对应的点。

实际上，对应的搜索被限制在（Rl，Ll）和（Rr，Lr）之间。

然后，第二步通过解方程来优化旋转和平移。（3）。

从理论上讲，搜索最佳（R，T）要求目标函数在Eq的右手边（3）达到全局最小值。

这是困难的，没有穷尽所有可能的变换，因此可以获得局部最小值。但是，实际上，车道形状和道路形状之间的不一致的主要原因是两个因素：

（1）当前GPS形状之前的当前GPS位置ix和相应的GPS位置ix之间的误差T，
（2）旋转角度θ 在进行车道标记检测的图像的当前偏航和之前GPS形状中的相应偏航之间。
θ和T都是有界的。

最小二乘。假设平移矢量

则（3）达到最小值，其中N是Rlr中的总点数。通过将T引入等式（3），我们得到方程（4）。

显然，对于Rlr和Llr之间的给定对应关系，ψ是最优解。

当θ∈[ψ-π，ψ]时，函数F（θ）是单调递减函数，当θ∈[ψ，ψ+π]时，函数F（θ）是单调递增函数。

由于θ是有界的，我们可以假设θ∈[θa-Δ，θa+Δ]，其中θa和Δ可以凭经验确定。

因此，如果ψ∈[θa-Δ，θa+Δ]，则选择θ=ψ。在ψ＜θa-Δ的情况下，选择θ＝θa-Δ。在ψ>θa +Δ的情况下，我们选择θ=θa+Δ。因此，翻译向量T可以确定为等式。（7）。

VI. CROSS VALIDATION BASED ON SHAPE REGISTRATION

交叉验证使用形状配准算法来检查车道标记结果与道路形状之间的几何一致性。

如图6所示，涉及3个步骤：

几何一致性检查，geometric consistency check,
漂移估算 GPS drift estimation,
和标记完成。 and lane marking completing.

交叉验证后，系统将输出经过验证并已完成的车道标记结果，以及经过优化的全局定位。

A.几何一致性检查

几何一致性检查程序通过使用先前的道路形状来验证车道标记结果。

当确定最佳T时，已知道路形状先验Rlr与车道标记结果Llr之间的最佳对应关系，并且Rlr可以通过T进行变换以与Llr最佳对齐。

我们表示Rlr^hat之前的变换道路形状。

然后之间的距离，计算Rlr^hat和Llr，并将距离方差用于判断快速车道标记结果与道路形状的几何形状是否一致。

如果Llr与Rlr的几何形状一致，

保留经过验证的车道标记结果，然后将其用于估算第二步中的GPS漂移。

错误的车道标记结果将被丢弃，并且
分割Rlr以替换无效的车道标记结果。

我们将这些生成的车道标记表示为虚拟车道标记，并将生成的车道表示为虚拟车道。

图7显示了如何删除错误的车道标记结果并生成虚拟车道标记的一个示例。

图7.生成虚拟车道标记以替换错误的车道标记结果的示例。

（a）淡蓝色线是错误检测，蓝线和红线是虚拟车道标记。

（b）失败在检测车道标记时，由于白线。

（c）浅蓝色点在地图上显示最左侧的车道标记，黄色点在地图上显示最右侧的车道标记，检测到的车道标记由于其几何形状与先前的道路形状不一致而被丢弃。

（d）先根据道路形状生成虚拟车道。

B. Estimating GPS Drift

在地图上估算车辆定位的局部漂移

相对于检测到的车道标记，并定义全局定位。

Eq（1）中最佳变换T的平移T解释了当前GPS位置ix的漂移。

然后可以根据平移T调整当前的GPS位置固定值

最能使车道标记结果的形状与先前的道路形状相匹配。

然后将GPS位置固定的精度提高到车道标记结果的精度级别，通常为厘米级。

通过调整后的GPS位置校准进行校准，通过车道标记结果估算的车辆位置是全局的，并且有一定的误差。然后，在下一时间步之前，将更新的车辆全球位置用于提供准确的道路形状。

由于照相机的有限的视角和分辨率，所以始终无法实现检测最左侧和最右侧车道标记Llr。

因此，我们将漂移估计值分为两种情况，并说明了在不同情况下如何将检测到的车道标记与道路形状预先匹配。

在情况1中，如图8（a）-（c）所示，检测到了最左侧和最右侧车道标记，整个道路形状先验Rlr与最左侧和最右侧检测到的车道标记Llr都匹配。

在情况2中，仅检测到最侧面车道标记之一，如图8（d）和（e）所示，R1（Rr）仅与L1（Lr）匹配。

情况1通常适用于不超过3条车道的道路，而情况2适用于具有4条以上车道的道路。

由于路线图中最左，最右的车道标记是实线，
只有实线标记结果与它们匹配。

如图9所示，图像序列说明了GPS漂移估计的完整过程。

图9.估算和更新GPS漂移的完整过程。（a）GPS漂移未得到纠正，并且在经过验证的车道标记结果的帧上触发了计数器C。（b）GPS漂移未校正，计数器C增加。（c）有效的车道标记结果用于估计当前的GPS漂移，而估计的GPS漂移用于事先确定道路形状。（d）当车辆靠近障碍物行驶时，GPS漂移会更新。（e）当车辆开始越过障碍物时，将更新GPS漂移。（f）当车辆完成超车后，GPS漂移会再次更新。
开始时不估算GPS漂移

因为车道标记检测不稳定，如图9（a）和（b）所示。

然后，当车道标记检测变得稳定并检测到所有车道标记时，将连续且独立地估计和更新GPS漂移，如图9（c）-（f）所示。

车道标记检测有效性的计数器用于测量车道标记检测是否稳定，并且仅使用稳定的车道标记结果来估计GPS漂移。

应当注意的是，形状配准可以可靠地估计横向漂移，而纵向漂移只能在出现弯曲道路时估计。为了克服这一局限性，我们仅在道路形状先验表明出现弯道时才选择采用纵向局部修正。为了简化先验，采用ADouglas-Peuckeralgorithm [27]，[28]进行简化

C. Completing the Lane Marking Results

如果在当前时间步中检测到的车道标记结果有效，再成功图形配准之后，如图10所示，然后更新先前估计的流量，然后将所有有效的车道标记结果与先前的道路形状融合在一起，从而获得完整的多车道信息。

图10.完成验证的车道标记结果的示例。（a）最后完成的车道标记结果，估计的漂移以绿色突出显示。（b）由于照明不良，未检测到更远范围内的车道标记。（c）淡蓝色的点在道路形状上优先显示最左边的车道标记，黄色的点在道路形状上优先显示最右边的车道标记，检测到的车道标记结果将在形状配准后保留。（d）未检测到的车道标记是通过事先使用道路形状完成的，如红色虚线矩形所示。

基于GPS的道路形状先验和检测到的车道标记之间的交叉验证不仅提高了车辆定位的准确性，而且还增强了定位的鲁棒性，因为可以通过与检测到的车道标记对齐来确定GPS位置固定当GPS频繁遭受卫星信号掩蔽或阻塞时，会产生这种情况。然后，通过将车辆相对于道路形状事先定位来实现车道高度定位。当在不利的天气条件下或车道标记质量较差时，车道标记检测无法很好地工作时，车道标记结果将通过道路形状进行验证或完成。然后，经过改进的GPS位置固定能够提供相对于地图更准确的全局定位，而车道标记结果可以在下一个时间步之前以更准确的道路形状进行验证。

VII. SYSTEM IMPLEMENTATION AND EXPERIMENTS ON ROBOTIC CAR

采用多线程编程来实现系统的实时实现。线程1包括车道标记检测和交叉验证，线程2执行全局定位。整个系统可以每秒20 HZ的速度运行，这满足了基于车辆的系统的实时要求。

B. Performance of the Lane Marking Detection

本节介绍了车道标记检测算法的实验结果，该算法将图像处理与IMU集成在一起。在过去的五年中，车道标记检测算法已在包括城市道路，校园，高速公路等在内的不同城市交通场景中得到了广泛的评估，包括清晰或模糊，白色或黄色，单车道或多车道标记等。时间，包括午夜，黄昏等，在不同的天气条件下（包括车道保持，车道变化等）。图11显示了在几个具有挑战性的交通场景中的车道标记结果。

还评估了车道标记检测的准确性。实验结果来自内蒙古鄂尔多斯市举行的FC2011竞赛的自动驾驶汽车的日志数据。我们沿着路线自动驾驶时，每10帧选择一次关键图像。我们将561幅图像中的车道标记手动标记为地面真相。如表IV所示，地面真相和相应的标记结果之间的平均绝对误差在表IV中显示。车道标记检测精度的平均绝对误差约为3个像素，这是在IPM之后的图像中计算出的。使用车辆中使用的摄像机，IPM图像中的一个像素误差等于5厘米，因此我们可以实现约15厘米的精度。

C. Performance of the Cross Validatio

在本节中，我们评估交叉验证方案的性能。利用形状配准算法的输出，可以精简道路边界的GPS位置，使其与检测到的标记结果对齐。此外，当车道标记检测算法无法正常工作时，交叉验证程序还采用了以前优化的形状，以便生成虚拟标记。图12和13显示了一些结果。

在图12中，我们显示了几种通过形状配准算法估计的漂移情况，与图8相对应。图13显示了在不同的城市环境中（包括白天，夜间和其他情况）的一些结果。

为了评估定位方法的准确性和鲁棒性，我们分析了在中国常熟举行的FC2013竞赛中交叉验证的结果。路线的长度约为5公里。

根据漂移的校正与否，它们可以主要分为两种不同的情况。

那些估计的漂移是通过不同情况计算的，如图8所示。

如果当前时间步不满足更新漂移的条件，则如果漂移在固定间隔内仍然有效，则使用先前的估计漂移。我们称这种情况为“保持漂移”，如图14所示的绿色路线。

请注意，交叉验证不适用于交叉路口，因为没有车道标记检测。如图15所示，分别估计了相应的全局坐标漂移。

比赛的详细统计数字如表V和VI所示。它清楚地表明，交叉验证在整个自动驾驶旅行中几乎一直都有效。

D. Failures and Limitations of the Proposed Method

The proposed system works well in most of the cases under our assumptions. However there are still some cases that the system cannot handle or they violates the basic assumptions. Some typical scenes are discussed below.

车道标记检测算法中的“反向透视映射”假设平坦的路面以及准确的摄像机校准。

在大多数城市环境中都可以满足该假设。

IPM中可以引入两种错误来源：

1）摄像机的俯仰因车辆的振动而变化，

2）非平坦路面。

三线校准方法[20]用于补偿俯仰振动。

图16显示了一个例子，当车辆行驶在丘陵地区时，违反了平坦路面的假设。在当前版本的系统中，当车辆接近山坡时，将关闭车道标记检测算法，并将事先确定的道路形状拆分为虚拟车道标记结果。

图16.在丘陵地区，车道标记检测功能关闭。

（a）仍然保持平坦的路面，车道标记检测正常工作，输出车道标记结果，并且在进行交叉验证后，确定GPS位置固定，并且估计的漂移有效60秒。

（b）车辆在道路弯曲的桥梁上行驶。我们关闭了该区域的车道标记检测，因为平整的路面假设无效，如第二个子图像所示。

然后，我们首先使用最新估计的GPS漂移来预先定义道路形状，然后将它们分成虚拟车道标记，如第三副图像所示。通过桥梁时，最新的GPSdrifthas已经使用了14秒钟，而估计的GPS漂移在修正道路形状之前的有效性仍然保持46秒钟。

路线图中的错误可能导致故障情况。

图17是在Future Challenge 2013期间道路形状中包含的错误的一种故障情况。

在图17（a）中，车道标记进行几何一致性检查时失败，然后使用先验的道路 road shape prior 形状生成虚拟车道标记。

由于先前的道路形状不准确，因此生成的虚拟车道标记结果会偏离实际位置，并呈现出较高的曲率道路。由于控制系统无法跟踪虚拟的较高曲率车道标记，车辆由于惯性而向左移动结果。

图17（b）示出了对相同位置的检测，其由侧向相同的极点指示。

在对路线图进行更新和手动标记后，本地道路形状先验与实际道路精确匹配。

最后的车道标记结果与实际的车道标记结果和道路形状合并，

并精确地保持在实际位置上，以较低的曲率呈现。控制系统能够以较低的曲率车道标记结果进行跟踪，并在车道中间驾驶。

图17.由路线图错误引起的故障案例。（a）错误的虚拟车道标记结果是由先前的道路形状产生的，导致车辆向左移动。（b）事先将准确的道路形状与车道标记结果合并。

VIII. CONCLUSION AND FUTURE WORK

本文提出了一种在城市环境中对机器人汽车进行实时全局定位的方法。通过利用车道标记检测和形状配准算法，我们实现了道路车辆在城市环境中的厘米级定位。测试结果令人鼓舞，并且表明了该方法的有效性和鲁棒性

本文的主要新颖性和贡献是检测到的车道标记结果与基于GPS的道路形状之间的形状配准。错误的车道标记结果可以通过车道标记结果和道路形状之间的几何一致性检查来验证和纠正。 GPS位置固定中的漂移也可以通过形状配准中计算出的平移来确定。然后可以将全局定位提高到与车道标记结果相同的精度。

未来的工作是将可区分的视觉特征嵌入到路线图中。

这些视觉特征主要具有三种用法。

首先，它们可以用作有效的补充，以改进对纵向漂移的估计，而纵向漂移结果始终无法实现。

其次，这些功能也可以用于全球定位，尤其是当GNSS长时间停电时。

第三，当车辆行驶在交叉路口或穿越正常车道标记检测没有输出或检测失败的坡道时，也可以利用这些功能实现位置的精确调整。

我们坚信带有标记功能的视觉功能可以改善当前系统，并将其应用扩展到更具挑战性的场景中。

致谢作者要感谢Xi’an Jiaotong University所有老师和学生，感谢他们在设计和测试所提出的系统方面的慷慨和耐心的帮助。

汇总一些note

检测到了最左侧和最右侧车道标记，
仅检测到最侧面车道标记之一

形状配准可以可靠地估计横向漂移，而纵向漂移只能在出现弯曲道路时估计。为了克服这一局限性，我们仅在道路形状先验表明出现弯道时才选择采用纵向局部修正。

如果当前时间步不满足更新漂移的条件，则如果漂移在固定间隔内仍然有效，则使用先前的估计漂移。我们称这种情况为“保持漂移”，

交叉验证不适用于交叉路口，因为没有车道标记检测。如图15所示，分别估计了相应的全局坐标漂移。

当车辆行驶在丘陵地区时，违反了平坦路面的假设。在当前版本的系统中，当车辆接近山坡时，将关闭车道标记检测算法，并将事先确定的道路形状拆分为虚拟车道标记结果。

控制系统无法跟踪虚拟的较高曲率车道标记，车辆由于惯性而向左移动结果

车道标记进行几何一致性检查时失败，然后使用先验的道路 road shape prior 形状生成虚拟车道标记。由于先前的道路形状不准确，因此生成的虚拟车道标记结果会偏离实际位置，并呈现出较高的曲率道路。

翻译 Real-Time Global Localization of Robotic Cars in Lane Level via Lane Marking Detection and Shape相关推荐

OneShot LiDAR Global Localization：基于单帧激光点云和视觉增强的全局定位方法
点击上方"3D视觉工坊",选择"星标" 干货第一时间送达作者:robot L | 来源:知乎 https://zhuanlan.zhihu.com/p/150 ...
【论文笔记】3D LiDAR-Based Global Localization Using Siamese Neural Network
[论文笔记]3D LiDAR-Based Global Localization Using Siamese Neural Network ~~~ ~~~~ 在本文基于从神经网络中学习到的 ...
2 State Estimation and Localization for Self-Driving Cars
2 State Estimation and Localization for Self-Driving Cars WEEK 1 Lesson 1: Practice Quiz Lesson 2: P ...
【论文笔记】GLFP: Global Localization from a Floor Plan
[论文笔记]GLFP: Global Localization from a Floor Plan ~~~ ~~~~ 在本文中,我们描述了一种在以前没有访问过的环境中进行全球定位的方法,该方 ...
【论文翻译】A Global Geometric Framework for Nonlinear Dimensionality Reduction
论文题目:A Global Geometric Framework for Nonlinear Dimensionality Reduction 非线性降维的全局几何框架科学家们在处理大量高维数据时 ...
【文献翻译】软件设计级漏洞分类模型-Software Design Level Vulnerability Classification Mode
摘要软件安全漏洞的分类无疑有助于对安全相关信息的理解,并加速了对漏洞的分析.缺乏适当的分类不仅阻碍了对它的理解,而且还影响了为集群漏洞设计缓解机制的策略.现在,软件开发人员和研究人员都认为,软件的需 ...
第14周翻译：Stairway to Transaction Log Management in SQL Server, Level 5: Managing the Log in Full Recov
在本节中,我们将回顾在完全恢复模式下进行日志备份的原因和方法,以及如何使用这些日志备份文件与完整的数据库备份一起执行数据库恢复.完全恢复模式支持将数据库恢复到可用日志备份中的任意时间点,并假设可以进行 ...
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
本文同步于微信公众号:3D视觉前沿,欢迎大家关注. 本文总结了基于视觉的机器人抓取的相关论文及代码,同步于 GitHub. 机器人抓取必需的信息是相机系下抓取器的6DoF位姿,包括抓取器的3D位置和抓 ...
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 ...
英文翻译-选择中国汽车工业的发展模式(含中英文)
英文翻译 Options for the Development Pattern of China's Automobile Industry I. Why is China's Automobile ...

翻译 Real-Time Global Localization of Robotic Cars in Lane Level via Lane Marking Detection and Shape

翻译

中文名