LESS-Map: Lightweight and Evolving Semantic Map in Parking Lots for Long-term Self-Localization
作者: Mingrui Liu, Xinyang Tang, Yeqiang Qian, Jiming Chen, Liang Li
分类: cs.RO
发布日期: 2023-10-11
备注: 6 pages, 8 figures
💡 一句话要点
提出LESS-Map以解决停车场长期自我定位问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 停车场定位 语义地图 数据关联 自动驾驶 机器人导航 轻量级系统 长期定位
📋 核心要点
- 现有方法依赖固定地图，内存效率低且缺乏稳健的数据关联，难以实现长期稳定的定位。
- 本文提出基于地面语义特征的轻量级映射和定位系统，利用低成本摄像头实现厘米级定位。
- 实验结果表明，所提方法在配准过程中平均准确性提高5cm，生成地图仅需450 KB/km，并能适应环境变化。
📝 摘要（中文）
精确且长期稳定的定位在停车场中对于自动驾驶或自动代客泊车等任务至关重要。现有方法依赖于固定且内存效率低下的地图，缺乏稳健的数据关联方法，不适合精确定位或长期地图维护。本文提出了一种基于地面语义特征的轻量级映射、定位和地图更新系统，利用低成本摄像头。我们提出了一种精确且轻量的参数化方法，以建立改进的数据关联，实现厘米级的准确定位。此外，我们通过实现高质量的数据关联，提出了一种新的地图更新方法，允许在重新定位过程中持续更新和优化地图，同时保持厘米级的准确性。我们在真实世界实验中验证了所提方法的性能，并与最先进的算法进行了比较，结果显示在配准过程中平均准确性提高了5cm，生成的地图仅消耗450 KB/km的紧凑大小，并能通过持续更新适应不断变化的环境。
🔬 方法详解
问题定义：本文旨在解决停车场中长期自我定位的精确性和稳定性问题。现有方法由于依赖固定且低效的地图，导致在动态环境中难以维护准确的定位。
核心思路：我们提出了一种基于地面语义特征的轻量级映射和定位方法，通过低成本摄像头实现高效的数据关联和厘米级定位。
技术框架：整体架构包括三个主要模块：语义特征提取、数据关联和地图更新。首先提取地面语义特征，然后建立数据关联，最后实现地图的动态更新与优化。
关键创新：最重要的创新在于提出了一种新的参数化方法，能够实现高质量的数据关联，从而在重新定位时持续更新地图，保持厘米级的准确性。这与传统方法的静态地图形成鲜明对比。
关键设计：我们在参数设置上进行了优化，采用了适合地面语义特征的损失函数，并设计了轻量级的网络结构，以确保在低计算资源下仍能实现高效的定位和更新。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在配准过程中平均准确性提高了5cm，相较于最先进的算法表现出显著优势。此外，生成的地图仅需450 KB/km，展示了其在内存效率上的卓越表现，适应性强，能够应对不断变化的环境。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、智能停车系统和机器人导航等。通过提供高效且准确的定位解决方案，能够显著提升自动化系统在动态环境中的表现，具有重要的实际价值和广泛的市场前景。未来，该技术可能推动智能交通系统的发展，提升城市交通管理的效率。
📄 摘要（原文）
Precise and long-term stable localization is essential in parking lots for tasks like autonomous driving or autonomous valet parking, \textit{etc}. Existing methods rely on a fixed and memory-inefficient map, which lacks robust data association approaches. And it is not suitable for precise localization or long-term map maintenance. In this paper, we propose a novel mapping, localization, and map update system based on ground semantic features, utilizing low-cost cameras. We present a precise and lightweight parameterization method to establish improved data association and achieve accurate localization at centimeter-level. Furthermore, we propose a novel map update approach by implementing high-quality data association for parameterized semantic features, allowing continuous map update and refinement during re-localization, while maintaining centimeter-level accuracy. We validate the performance of the proposed method in real-world experiments and compare it against state-of-the-art algorithms. The proposed method achieves an average accuracy improvement of 5cm during the registration process. The generated maps consume only a compact size of 450 KB/km and remain adaptable to evolving environments through continuous update.