以下来自：
[1]GRUYER D, BELAROUSSI R, REVILLOUD M. Map-aided localization with lateral perception[C]//2014 IEEE Intelligent Vehicles Symposium Proceedings. MI, USA: IEEE, 2014: 674–680.
摘要
使用两个 纬度方向（侧面）的相机（lateral cameras）估计 Road markings 和 车身的距离，
然后利用地图数据，使用 EKF improve “根据 惯导系统 和 GPS 得到的”位置，
注意：本文的算法仅能用于单车道，也就是不能变道。
Intro
为了得到分米级的定位，本文算法融合了：
- 定位数据
- road marking检测
- 左右车道线的地图（即车道线的edge）
车载设备
设备：
- 左右两个俯视相机，用来拍车道线
- 1Hz 的GPS
- 66Hz 的惯导系统（加速度传感器、陀螺仪）
- 20Hz 的里程计（测距用）
- 轴编码器（测量车轮steering的角度）
地图：
没说地图怎么来的。
转弯的地方5m一段，直路20米一段。
共 3.5 km。
使用 左右两个俯视相机 检测 ROAD MARKING
改进了如下文献的算法：
S. Nedevschi, V. Popescu, R. Danescu, T. Marita, and F. Oniga,
“Accurate ego-vehicle global localization at intersections through
alignment of visual data with digital map,” IEEE Transactions on
Intelligent Transportation Systems, vol. 14, no. 2, pp. 673–687, 2013
原算法分三步：
- 提取road primitive：提取lane marker对应的像素点，并将其转换到车体坐标系
- 检测lane marking：根据第一步的点的分布，确定可能的lane的中心
- 估计lane shape：利用 多项式拟合 估计车体的 偏航角 以及 与lane的距离。
本文使用两个基于intensity 的 extractors （the Median Local Threshold MLT and the Symmetric Local Threshold）来改善第一步。
定位
EKF 的状态为：
\(X_k = (x_k, y_k, \theta_k)^T\)
预测方程采用 dead reckoning 方法，利用 轴编码器、里程计、以及惯导提供的偏航角速率计算。
仅利用这些东西很不准，再加上 GPS 才能准一点，但仍然无法达到 lane-level 的精度，即估计的位置很可能位于车道线之外。
利用 LANE MAP
需要根据 vehicle 估计位置，利用基于 point-to-segment 的Map-Matching来选择 map 的 lane segment。
前面的图像处理部分（即使用 左右两个俯视相机 检测 ROAD MARKING）得到的是局部测量坐标，怎么将其转化为绝对坐标呢？
这里使用cartography matching 算法：根据lane marking 方程得到了相机与marking之间的距离，并得到距离相机最近的路边点（相机坐标系， $P_1,P_2$，只研究这俩点就行了）在车辆坐标系的坐标。
然后计算雅可比矩阵和测量误差。
EKF 结束。
实验部分
lateral position 的估计误差，平均小于 10 cm。