基于稀疏视觉语义点云的智能车辆重定位方法研究

作者及机构
本研究的核心团队来自北京航空航天大学仪器科学与光电工程学院（Jialiang Shi, Jingchun Cheng*等）、长安汽车人工智能与智能驾驶实验室（Peng Wei）以及智能车辆安全技术国家重点实验室（Xiangyun Ren, Yifei Kang）。通讯作者为Jingchun Cheng（邮箱：chengjingchun@buaa.edu.cn）。该成果发表于2024年第五届IEEE国际计算机视觉、图像与深度学习会议（CVIDL），会议论文编号DOI: 10.1109/CVIDL62147.2024.10603519。

学术背景

研究领域与动机
智能车辆定位通常依赖RTK-GNSS/IMU（实时动态-全球导航卫星系统/惯性测量单元）和高精地图，但存在成本高、信号易受遮挡（如高架桥、隧道）等局限性。针对这一问题，本研究提出了一种低成本稀疏视觉语义点云重定位方法，通过深度学习技术提取点云特征描述符，结合全局与局部匹配机制，实现无GNSS信号条件下的鲁棒定位。

科学问题
传统视觉重定位方法受光照变化影响显著，而激光雷达方案成本高昂。本研究聚焦以下挑战：
1. 稀疏性问题：视觉点云数据密度低，几何特征不足；
2. 语义缺失：现有方法未充分利用道路标志（如箭头、斑马线）的语义信息；
3. 初始化依赖：车辆启动时需高精度GNSS提供初始位姿。

研究方法与流程

1. 网络架构设计

核心模块
- 局部描述符编码器：融合几何坐标（x,y,z）与语义标签（l）生成联合特征。例如，将道路标志（蓝色标线、绿色箭头、红色斑马线）投影至不同高度以增强区分度（图2）。
- 正负样本判定机制：
- 欧氏距离阈值：正样本间距≤10m，负样本≥80m；
- 结构相似性评估：通过PCA（主成分分析）提取点云主方向，计算极坐标直方图的余弦相似度（公式2），避免误判几何结构相似的样本为负样本（图4）。
- 联合定位机制：
- 全局匹配：通过Top-k检索筛选候选子图；
- 局部匹配：基于局部描述符进一步优化，最终位姿误差需满足车道级精度（<5m）。

2. 时序连续匹配初始化

流程（图5）
1. 车辆运动时，利用粗粒度GNSS获取150米半径的先验地图；
2. 每移动20米采集一帧查询点云，与先验子图进行局部描述符匹配；
3. 若连续k帧匹配误差米，则初始化成功。

3. 实验设计

数据集
- 长安数据集1：重庆某区域33轮数据（单轮5km），包含训练集（绿色）与测试集（红色）；
- 长安数据集2：另一区域20轮数据（单轮3km），用于泛化性测试。
评估指标
- 平均召回率（AR@n）：前n个匹配中存在真值（误差<2m）的概率；
- 初始化成功率（SR）与位置误差（PE）。

主要结果

1. 消融实验（表I）

• 基线方法DH3D：AR@1%=62.1%；
  
• 加入语义模块（Ours-CSS）：AR@1%提升至66.2%，验证语义信息对稀疏点云匹配的增强效果。
  

2. 泛化性测试（表II）

在未见过的长安数据集2上，AR@1%达64.2%，表明方法对场景变化具有鲁棒性。

3. 初始化性能（表III）

• 连续匹配：成功率90.33%（PE=9.89m），显著优于单帧匹配（47.17%）；
  
• 关键因素：运动过程中累积的丰富点云信息提升匹配置信度。
  

结论与价值

科学意义
1. 语义-几何融合：首次将道路标志语义嵌入点云描述符，解决稀疏场景下的特征歧义问题；
2. 样本选择创新：结合欧氏距离与结构相似性的双重判定准则，降低误匹配率；
3. 工程实用性：时序匹配机制减少对高精度GNSS的依赖，适配量产车辆低成本需求。

应用前景
该方法可部署于隧道、城市峡谷等GNSS拒止环境，为L4级自动驾驶提供冗余定位方案。未来可通过扩展语义类别（如交通灯、护栏）进一步提升性能。

研究亮点

1. 多模态特征提取：通过语义标签增强稀疏点云的表征能力；
   
2. 动态初始化策略：首创基于运动累积的连续匹配框架；
   
3. 开源贡献：代码与数据集细节公开，推动领域内稀疏点云定位研究。
   

（注：全文约1500字，涵盖方法细节、实验数据及学术价值分析）