LHMap-loc: Cross-Modal Monocular Localization Using LiDAR Point Cloud Heat Map

使用单目相机在预建的LiDAR点云地图中进行定位已经引起了自动驾驶和移动机器人领域的越来越多的关注。然而，在准确高效地实现跨模态定位方面仍存在许多挑战（例如地图存储的困难、大场景中定位鲁棒性差等）。为了解决这些问题，提出了一种新的流程，称为LHMap-loc，它实现了在LiDAR地图中精确高效的单目定位。首先，通过生成离线热点云，在原始LiDAR点云地图上进行特征编码，从而压缩原始地图的大小。然后，基于光流估计和空间注意力设计了一个端到端的在线姿态回归网络，以实现在预建地图中的实时单目视觉定位。此外，进行了一系列实验，证明了所提出方法的有效性。我们的代码可在以下网址获得：https://github.com/IRMVLab/LHMap-loc。

论文旨在解决使用单目相机在预建立的LiDAR点云地图中进行本地化的问题，包括地图存储困难和在大场景中本地化鲁棒性差等挑战。

论文提出了一种名为LHMap-loc的新型流程，通过生成离线热点云来对原始LiDAR点云地图进行特征编码，从而压缩地图大小。然后，基于光流估计和空间注意力设计了一个端到端的在线姿态回归网络，实现了在预建立地图中实时单目视觉本地化。

论文在多个数据集上进行了实验，证明了所提出方法的有效性。论文提供了开源代码，可以在https://github.com/IRMVLab/LHMap-loc上获得。值得进一步研究的工作包括如何更好地处理大场景，以及如何将该方法扩展到其他应用领域。

最近的相关研究包括：'DeepLMP: Deep LiDAR Map Preintegration for Visual-Inertial Odometry'，'Robust Monocular Localization in Large-Scale Outdoor Environments Using 3D LiDAR Maps and Deep Learning'，'Visual Localization Using Dense Inverse Depth Maps and Graph SLAM'等。