以下內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文# arxiv速遞|百度自動(dòng)駕駛技術(shù)部門( ADT )發(fā)布EgoVM：使用輕量級(jí)矢量化地圖實(shí)現(xiàn)精確的自我定位

【EgoVM: Achieving Precise Ego-Localization using Lightweight Vectorized Maps】

文章鏈接：http://arxiv.org/abs/2307.08991

準(zhǔn)確可靠的自我定位對(duì)于自動(dòng)駕駛至關(guān)重要。在本文中，我們提出了EgoVM，一個(gè)端到端的定位網(wǎng)絡(luò)，達(dá)到了與先前SOTA方法相當(dāng)?shù)亩ㄎ痪?，但使用輕量級(jí)的矢量化地圖而不是重型的基于點(diǎn)的地圖。首先，我們從在線多視角圖像和LiDAR點(diǎn)云中提取BEV特征。然后，我們使用一組可學(xué)習(xí)的語(yǔ)義嵌入對(duì)地圖要素的語(yǔ)義類型進(jìn)行編碼，并通過(guò)語(yǔ)義分割對(duì)其進(jìn)行監(jiān)督，使其特征表示與BEV特征一致。之后，我們將由可學(xué)習(xí)的語(yǔ)義嵌入和地圖元素坐標(biāo)組成的地圖查詢輸入到Transformer解碼器中，與BEV特征進(jìn)行跨模態(tài)匹配。最后，我們采用基于直方圖的魯棒位姿求解器，通過(guò)對(duì)候選位姿進(jìn)行窮舉搜索來(lái)估計(jì)最優(yōu)位姿。我們使用nuScenes數(shù)據(jù)集和新收集的數(shù)據(jù)集全面驗(yàn)證了我們方法的有效性。實(shí)驗(yàn)結(jié)果表明，我們的方法達(dá)到了厘米級(jí)的定位精度，并且在很大程度上優(yōu)于現(xiàn)有的使用矢量化地圖的方法。此外，我們的模型在各種具有挑戰(zhàn)性的城市場(chǎng)景下的大量無(wú)人駕駛汽車中進(jìn)行了廣泛的測(cè)試。

以上內(nèi)容來(lái)自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

最后介紹一下我們最近的幾個(gè)學(xué)習(xí)活動(dòng)：

1、從零掌握GNSS、RTK定位

2、從零開(kāi)始ChatGPT編程

3、視覺(jué)動(dòng)態(tài)SLAM方向全梳理

4、快速入門激光雷達(dá)慣性SLAM-FastLio2

5、超棒的機(jī)器人SLAM圈！