DA-LMR：一种用于数据关联的鲁棒车道线表示
机器人学
2023-01-12 v2
摘要
尽管完整的定位方法在文献中被广泛研究，但其数据关联与数据表示子过程通常不为人所注意。然而，二者都是最终位姿估计的关键部分。在本工作中，我们提出 DA-LMR（Delta-Angle Lane Marking Representation，增量角车道线表示），一种在定位方法背景下的鲁棒数据表示。我们提出了一种车道线表示，编码曲线在每个点处的变化方式，并将该信息包含于额外维度中，从而提供数据更详细的几何结构描述。我们还提出 DC-SAC（Distance-Compatible Sample Consensus，距离兼容样本一致性），一种数据关联方法。这是 RANSAC 的启发式版本，通过距离兼容性限制大幅缩减假设空间。我们在不同噪声场景下将所提方法与若干最先进的数据表示与数据关联方法进行比较。DA-LMR 与 DC-SAC 在比较中产生了最有前景的组合，对于标准偏差为 0.5 m 的噪声数据，精确率达 98.1%，召回率达 99.7%。
引用
@article{arxiv.2111.09230,
title = {DA-LMR: A Robust Lane Marking Representation for Data Association},
author = {Miguel Ángel Muñoz-Bañón and Jan-Hendrik Pauls and Haohao Hu and Christoph Stiller},
journal= {arXiv preprint arXiv:2111.09230},
year = {2023}
}
备注
Accepted ICRA 2022 (camera ready version)