Automatic Odometry-Less OpenDRIVE Generation From Sparse Point Clouds

高分辨率的道路表示是实现（高度）自动驾驶功能成功的关键因素。这些表示，例如高清晰度（HD）地图，包含准确的信息，例如道路几何形状、车道信息和交通标志等多个因素。随着自动驾驶功能的不断增加复杂性和功能，测试和评估的要求也不断增长。这导致对虚拟测试驱动的评估目的越来越感兴趣。由于道路在交通流中起着关键作用，因此需要准确的现实世界表示，特别是在推导出真实的驾驶行为数据时。本文提出了一种新的方法，仅基于点云信息生成逼真的道路表示，独立于LiDAR传感器、安装位置，并且不需要里程计数据、多传感器融合、机器学习或高精度校准。由于主要用例是模拟，我们使用OpenDRIVE格式进行评估。

论文旨在提出一种新方法，基于点云信息生成逼真的道路表示，以用于自动驾驶的虚拟测试驱动中。

该方法可以独立于LiDAR传感器、安装位置和里程计数据，无需多传感器融合、机器学习或高精度校准。作者使用OpenDRIVE格式进行评估。

该方法可以生成高分辨率的道路表示，包括道路几何、车道信息和交通标志等。实验结果表明，该方法能够生成逼真的道路表示，可用于虚拟测试驱动。作者还提供了开源代码。

最近的相关研究包括基于机器学习的道路表示生成方法和基于传感器融合的方法。例如，'End-to-End Learning of Driving Models from Sensor Data'和'Fusing LIDAR point cloud and camera images for road detection'。