EdgeLoc: A Communication-Adaptive Parallel System for Real-Time Localization in Infrastructure-Assisted Autonomous Driving

本文介绍了EdgeLoc，一种基础设施辅助的实时自动驾驶定位系统，解决了传统定位方法和深度学习方法之间的不兼容性问题。该系统建立在机器人操作系统（ROS）之上，将传统方法的实时性能与深度学习方法的高精度相结合。该系统利用路侧单元（RSUs）的边缘计算能力进行精确定位，以增强基于实时视觉里程计的车载定位。EdgeLoc是一个并行处理系统，利用提出的不确定性感知姿态融合解决方案。它通过在线学习实现通信适应性，并通过基于窗口的检测解决波动问题。此外，它通过利用车辆基础设施协同推理的自动分裂和在线分布学习来实现最佳延迟和最大改进。即使是对于最基本的端到端深度神经网络进行定位估计，EdgeLoc在实时本地视觉里程计中实现了67.75％的定位误差减少，非实时协同推理中减少了29.95％，并且相对于卡尔曼滤波减少了30.26％。最后，精度与延迟的转换得到了实验验证，并在实际蜂窝网络上进行了总体实验。该系统在https://github.com/LoganCome/EdgeAssistedLocalization上开源。

EdgeLoc试图解决自主驾驶中传统定位方法和深度学习方法之间的不兼容性问题，提高定位的实时性和准确性。

EdgeLoc结合传统方法和深度学习方法，利用路边单元的边缘计算能力实现精确定位，采用并行处理和不确定性感知姿态融合解决波动问题，并通过在线学习和基于窗口的检测实现通信适应性。

论文提出了一个基于ROS的实时定位系统EdgeLoc，实现了实时视觉里程计的定位误差降低67.75％，非实时协作推理的定位误差降低29.95％，比卡尔曼滤波降低30.26％。论文通过实验验证了精度与延迟的转换，并在实际蜂窝网络上进行了整体实验。EdgeLoc的代码已经开源。

最近的相关研究包括：'A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence'，'A Comprehensive Survey of Deep Learning for Image and Video Understanding in Autonomous Driving: Trends, Challenges, and Future Directions'等。