Camera-Based Localization and Enhanced Normalized Mutual Information

要約

自動運転には、堅牢で優れた位置特定アルゴリズムが不可欠です。
このような車両を商品として生産するには、手頃な価格のセンシング ソリューションと信頼性の高い位置特定アルゴリズムを設計する必要があります。
この研究では、センサー データが車両に搭載された安価なカメラで撮影された画像から取得され、車両に詳細な世界地図が含まれているシナリオを考慮しています。
このような位置特定アルゴリズムには通常、キャプチャされた画像に最もよく一致するグローバル マップ内のセクションを見つけることが含まれます。
過酷な環境では、地球地図とキャプチャされた画像の両方にノイズが含まれる可能性があります。
カメラの配置には物理的な制約があるため、カメラでキャプチャされた画像は、グローバル マップ内の道路のノイズの多い透視変換バージョンとして表示される場合があります。
したがって、最適なアルゴリズムでは、キャプチャされた画像のさまざまな領域における不均一なノイズ パワーと、環境の変化による地球地図の固有の不確実性を考慮する必要があります。
この記事では、(i) 標準内積 (SIP) と (ii) 正規化相互情報量 (NMI) という 2 つのマッチング方法を簡単に説明します。
次に、ノイズの多い環境でこれらのアルゴリズムのパフォーマンスを大幅に向上させるための、新規かつ原則に基づいた修正を提案します。
これらの機能強化は、自動運転車に関連する物理的制約からインスピレーションを受けています。
これらは統計的信号処理に基づいており、状況によっては、より優れていることが証明されています。
数値シミュレーションにより、このような修正の有効性が実証されます。

要約(オリジナル)

Robust and fine localization algorithms are crucial for autonomous driving. For the production of such vehicles as a commodity, affordable sensing solutions and reliable localization algorithms must be designed. This work considers scenarios where the sensor data comes from images captured by an inexpensive camera mounted on the vehicle and where the vehicle contains a fine global map. Such localization algorithms typically involve finding the section in the global map that best matches the captured image. In harsh environments, both the global map and the captured image can be noisy. Because of physical constraints on camera placement, the image captured by the camera can be viewed as a noisy perspective transformed version of the road in the global map. Thus, an optimal algorithm should take into account the unequal noise power in various regions of the captured image, and the intrinsic uncertainty in the global map due to environmental variations. This article briefly reviews two matching methods: (i) standard inner product (SIP) and (ii) normalized mutual information (NMI). It then proposes novel and principled modifications to improve the performance of these algorithms significantly in noisy environments. These enhancements are inspired by the physical constraints associated with autonomous vehicles. They are grounded in statistical signal processing and, in some context, are provably better. Numerical simulations demonstrate the effectiveness of such modifications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google