Arxiv：http://arxiv.org/pdf/2310.13766
本期概述
哈喽大家好，高效的重定位对于GPS信号不佳或基于传感器的定位失败的智能车辆至关重要。尤其是地下停车库、隧道等RTK数据不可用的场景，单纯依靠相对定位必定会随时间产生定位累计误差。弱RTK环境下的重定位一直是自动驾驶定位重点。最近，Bird’s-Eye-View (BEV) 分割的进展使得能够准确地估计局部场景的外观，从而有利于车辆的重定位。然而，BEV方法的一个缺点是利用几何约束需要大量的计算。
U-BEV融合了多层高度信息，提高了BEV分割精度和实现基于神经网络编码的实时重定位。通过引入高度感知的特征嵌入，该方法有效地利用了场景的深度维度，而无需进行大量计算。
本篇论文的创新点有：
PipeLine
U-BEV论文Pipeline分为三个部分：局部BEV分支、定位模块和全局地图分支。局部BEV分支，使用多个相机拍摄的全景图像作为输入，通过U-BEV网络生成局部鸟瞰视图（BEV）。定位模块使用QATM（Quality-Aware Template Matching）深度模板匹配算法，将神经BEV与全局地图中的神经表示进行匹配，进而估计车辆的精确位置。全局地图分支接收初始位置先验，与局部BEV进行匹配，以实现高精度的重定位。
1. 局部BEV分支：U-BEV模块是该论文的核心部分，用于将来自多个摄像头的图像输入转化为鸟瞰视图（BEV）。U-BEV结合了U-Net的优点，通过高度感知的特征嵌入来提高BEV重建的精度。
2. 图编码模块（Map Encoding）：图编码模块输入SDMap，通过特征图编码，这个表示与局部BEV表示在后续中匹配。
3. 定位模块（Localization module）：定位模块通过U-BEV生成的局部BEV表示和全局SD地图的数据片进行匹配。其通过一个深度模板匹配模块来计算局部神经BEV和全局神经地图之间的相似度地图：
BEV分割任务
在BEV分割任务中，U-BEV的表现优于Cross-View Transformer (CVT)等基线方法。在可驾驶区域、人行道和过道的IoU指标上，U-BEV分别提升了1.7、2.8和2.3个百分点。U-BEV通过多层高度编码有效捕捉了场景中的几何信息，能够在保持较低计算复杂度的同时提供更高的分割精度。实验结果表明，U-BEV架构在不同类别的分割任务中都展示了显著的性能提升。
定位任务
在车辆定位任务中，U-BEV在多个距离阈值（1m、2m、5m、10m）的召回准确率上表现出色，特别是在较大距离阈值下（5m和10m），U-BEV的准确率分别提高了21.1%和26.4%。这一结果表明，U-BEV不仅能够在特征丰富的区域中提供高精度定位，还能在特征稀疏的场景下保持优异的性能。这一优越表现归因于U-BEV能够有效利用道路网络的形状信息，而不仅仅依赖于显著的语义标志物。
