论文链接：https://arxiv.org/pdf/2401.08870.pdf
摘要
本文介绍了基准测试基于Velodyne的高效车辆定位所用的粒子滤波算法。在预先构建的地图内保持车辆良好定位是任何自动驾驶汽车导航系统的核心。在本工作中，我们表明，标准SIR采样和基于拒绝的最优采样均适用于高效（10-20ms）的实时位姿跟踪，而无需使用3D激光雷达的原始点云进行特征检测。在这些传感器捕获的大量信息的推动下，我们对实际需要多少点才能达到效率和位置精度之间的最优比例进行系统性的统计分析。此外，根据不利条件（例如城市峡谷中GPS信号较差）下的初始化，本文还确定了确保收敛所需的最佳粒子滤波配置。本文的发现包括，对VLP-16激光扫描仪的输出点云使用100-200之间的采样因子能够在定位精度损失忽略不计的情况下，大大节省计算成本。此外，在没有GPS或者磁场传感器提供任何额外提示的情况下，大规模（~100000m^2）室外全局定位需要每平方米2个粒子的初始密度才能实现100%的收敛成功率。
主要贡献
本文的主要贡献为如下两方面：
1）本文对粒子滤波中实际使用的3D激光雷达的原始点数量和可实现的定位质量之间的权衡进行系统和定量的评估；
2）本文对提升定位所需的粒子密度进行基准测试，即“全局重定位”问题。
论文图片和表格
总结
在本工作中，我们提出了一种用于Velodyne的观测模型，它适合在PF内使用，其通过实验成功验证。基准测试表明，optimal-PF算法一般是首选的，因为它在位姿跟踪过程中具有不错的精度，并且适合于处理重定位问题。此外，最显著的结果之一为，发现PF对于维持车辆位姿跟踪足够鲁棒，同时通过采样因子将Velodyne传感器的输入点云数量减少两个数量级。此外，还使用KD树高效查询参考地图，这使得运行整个定位更新步骤仅需10-20ms。
发表回复