自主车辆的单目语义地图定位

Abstract—  Accurate  and  robust  localization  remains  a  significant  challenge  for  autonomous  vehicles.  The  cost  of  sensors  and

limitations  in  local  computational  efficiency  make  it  difficult

to  scale  to  large  commercial  applications.  Traditional  visionbased  approaches  focus  on  texture  features  that  are  susceptible

to  changes  in  lighting,  season,  perspective,  and  appearance.

Additionally,  the  large  storage  size  of  maps  with  descriptors  and

complex  optimization  processes  hinder  system  performance.  To

balance  efficiency  and  accuracy,  we  propose  a  novel  lightweight

visual  semantic  localization  algorithm  that  employs  stable

semantic  features  instead  of  low-level  texture  features.  First,

semantic  maps  are  constructed  offline  by  detecting  semantic

objects,  such  as  ground  markers,  lane  lines,  and  poles,  using

cameras  or  LiDAR  sensors.  Then,  online  visual  localization  is

performed  through  data  association  of  semantic  features  and

map  objects.  We  evaluated  our  proposed  localization  framework

in  the  publicly  available  KAIST  Urban  dataset  and  in  scenarios

recorded  by  ourselves.  The  experimental  results  demonstrate

that  our  method  is  a  reliable  and  practical  localization  solution

in  various  autonomous  driving  localization  tasks

自主车辆的单目语义地图定位