Road_slam

• Road_slam是一种通过相机获得鲁棒的路面标志信息，并将得到的路面标志进行分类。
• 使用路面标志作为回环检测的依据，将路面标志以及车道线作为sub-map
• sub-map可以理解为包含路面标志或是车道线的具有辨识性的一系列map
• 使用随机森林的方法提高了sub-map匹配的准确性
• 最终结果即为比较SLAM与RTK-GPS的数据的结果
• 此方法的平均全局准确度为1.098m（4.7km测试路线）

sub_map构建大致流程

• stero camera获得弹幕图像
• 通过更新相机与地面的角度，获得IPM 的bird view（俯视图）
• 对该俯视图进行二值化，并分割流通域（此时流通域即为road Marks）
• 对流通域进行ESF feature （Ensemble of Shape Function）提取
• 对提取后特征进行分类，即可获得分类后的sub-map
• 在回环中，进行sub-map的匹配
• 若形成回环，则可通过sub-map中点云的三维坐标，使用ICP求位姿
• 对得到的位姿进行优化

图例分析

• 如图，图中对虚线，箭头，路标进行了识别，分割和分类
• 不采用实现，因为实线过多，易产生误匹配，使得结果不鲁棒

• Road_slam流程图

• pose graph 中圆为小车的node,连线为约束（类比于g20中的vertex和edge）

• 小车位置由相机获得，constrain由imu和轮速计获得

• 回环的误差方程为回环两端的匹配sub-map与各自的上一时刻的sub-map进行优化，将优化后值相加即可获得优化后位姿

• ESF有三个参数：两个随机点间距离，三点间的面积，三点间的角度

• 通过ESF建立的特征矩阵被输入随机森林进行分类

• 随机森林结果分为六类：路面标志，数字，箭头，线，人行道和其它

• 只有informative的类别会被作为sub-map进行匹配（比如路面标志，数字，箭头，线）