以下来自：
[1]GAOYA CAO, DAMEROW F, FLADE B等. Camera to map alignment for accurate low-cost lane-level scene interpretation[C]//2016 IEEE 19th International Conference on Intelligent Transportation Systems (ITSC). Rio de Janeiro, Brazil: IEEE, 2016: 498–504.
摘要
其他方法基于
- expensive detailed 3D maps
- precise绝对位置估计传感器
本文基于state-of-the-art map data（应该就是普通的2d地图），以及便宜的position estimation 传感器，如 GNSS，来改善定位。
本文仅利用road boundary的shape作为landmark。
先从地图数据推断road geometry，然后和前置相机对齐（align）。
这个对齐就是要对比：
- 相机的 real road view
- 由地图生成的 virtually generated road views
算法部分
Map Representation
本文要根据地图数据improve GNSS 的定位，有俩不确定性来源：
- GNSS 的定位数据
- 低精度的map data （这些是publicly available map data，如OpenStreetMap）
要根据估计的车道和路宽，来估计road shape 的 actual geometric road shape。
View Generation
在rough GNSS 位置的周围，允许六个自由度的variation，来生成candidates。
六个自由度：
- a lateral, a longitudinal and a vertical shift
- a rotation around all three axis.
candidate 的分布可以是随机、高斯或基于抽样的如RANSAC。
Visual Alignment
HOG
使用 HOG 算法来 capture edge structures，例如 road boundaries。
在 virtual view candidate 以及相机图像上都进行以下处理
- 预处理：Canny edge detection，并使用图像normalization算法，如gamma compression。
- HOG （实际上，只要是基于orientation的filter都行，只是HOG简单而已）。
Candidate 比较
这一步实际就是比较两个向量 的局部朝向 的相似度。
就是余弦相似度啦。
结果
数据集 KITTI
Single Picture Alignment
结果很好。
Trace Evaluation
对于每一个 GNSS 位置，需要生成 155 个均匀分布的 candidates。
纬度方向：[-1.5 m, 1.5 m] 经度方向： [-0.1 m, 0.1 m]
Statistical evaluation
为了评估维度方向的稳定性，利用KITTI 的 GPS Trace 作为真值。
结果表明：
adaptive candidate range [-sGPS, sGPS] is outperforming the constant candidate ranges.
结论
有shadow 的地方效果不好
要想 robust alignment，最好是 adaptive candidate range（就是生成candidate的那一步）。