A Detection and Filtering Framework for Collaborative Localization

越来越多的自动驾驶汽车（AVs）正在成为现实，例如当今车辆中协助驾驶和停车功能的高级驾驶员辅助系统（ADAS）。AVs的本地化问题主要依赖于多个传感器，包括摄像头、激光雷达和雷达。制造、安装、校准和维护这些传感器可能非常昂贵，从而增加了AVs的总成本。本研究探讨了在车队编组环境中提高ADAS类车辆本地化的方法，其中ADAS车辆跟随配备高度精准传感器组的“智能”AV。我们提出并使用滤波框架产生结果，将从视觉和测距仪导出的姿态信息结合起来，以提高跟随智能车辆的ADAS车辆的本地化。

提高ADAS车辆在车队中的定位精度，降低AVs的制造和维护成本。

使用滤波框架将视觉和里程计信息相结合，提高ADAS车辆的定位精度。

论文在车队中的情境下，提出了一种新的解决方案，通过结合多种传感器信息提高了ADAS车辆的定位精度。实验结果表明该方法能够有效降低AVs的制造和维护成本。

近期相关研究包括：“A survey of motion planning and control techniques for self-driving urban vehicles”、“Localization for Autonomous Vehicles in Urban Environments”等。