基于地面影像与手机级 GPS 的精确深度直接地理定位
计算机视觉与模式识别
2018-04-23 v1
摘要
自动驾驶或共享出行技术中最关键的问题之一是在世界坐标系中精确地对车辆进行定位。除常见的多视角相机系统外，通常还依赖工业级传感器，如 LiDAR、差分 GPS、高精度 IMU 等。本文中，我们开发了一种方法，为这一问题提供有效解决方案。我们提出一种训练地理空间深度神经网络(CNN+LSTM)的方法，仅使用普通地面影像和低精度手机级 GPS 来预测精确的地理坐标（纬度和经度）。我们在 ACM Multimedia 2017 Grand Challenge 发布的开放数据集上评估了我们的方法。由于拥有用于训练的真值位置，我们能够达到近乎车道级的精度。我们还在旧金山 downtown 区域自行采集的图像上评估了所提方法，该区域常被称为“downtown canyon”，其中消费级 GPS 信号极不准确。结果表明，该模型仅使用手机级 GPS 即可预测出足以满足共享出行等实际业务应用质量的位置。与可能在室内环境或小尺度室外环境中表现良好的经典视觉定位或近期 PoseNet 类方法不同，我们完全避免使用地图或 SFM（运动恢复结构）模型。更重要的是，所提方法可扩展，而无须担忧三维重建潜在失败的问题。
引用
@article{arxiv.1804.07470,
title = {Accurate Deep Direct Geo-Localization from Ground Imagery and Phone-Grade GPS},
author = {Shaohui Sun and Ramesh Sarukkai and Jack Kwok and Vinay Shet},
journal= {arXiv preprint arXiv:1804.07470},
year = {2018}
}
备注
To appear in CVPR 2018 Workshops