提出了轻量级语义定位地图的构建方法，让低配置车辆通过云使用高配置车辆构建的地图

分为三部分：
①on-vehicle mapping：携带相机、雷达、GPS车辆。车前相机采集数据，通过语义网络提取语义特征， 将相机位置投影到世界坐标系构建语义地图。车辆构建local语义地图上传到云端等merge；
②on-cloud mapping：从多辆收集车辆中获得多辆收集车辆local语义地图，把它拿走merge成一个global并通过语义地图contour extraction压缩，最后将压缩语义地图发送给用户端；
③the end-user localization：配备低成本设备(相机)GPS、IMU、车辆解压地图，轮速计)，将前置摄像头的信息与获得的地图进行匹配，用于定位；

①特征提取
直接利用CNN网络提取前置摄像头拍摄图片中的语义特征（图a-图b）;
②坐标系转化
a.图像坐标系下提取的特征首先通过IPM（Inverse Perspective Mapping）转换为vehicle center坐标系(转换中的内参是离线校准的):
1 λ [ x v y v 1 ] = [ R c t c ] c o l : 1 , 2 , 4 ? 1 π c ? 1 ( [ u v 1 ] ) \frac{1}{\lambda}\begin{bmatrix} x^v \\ y^v \\ 1 \end{bmatrix} = \begin{bmatrix}R_c & t_c\end{bmatrix}_{col:1,2,4}^{-1}\pi_c^{-1}( \begin{bmatrix}u \\ v \\ 1\end{bmatrix}) λ1??xvyv1​⎦⎤​=[Rc​​tc​​]col:1,2,4−1​πc−1​(⎣⎡​uv1​⎦⎤​)转换后只选择车前感兴趣区域((ROI)Region Of Interest)内的部分，因为太远太偏误差大（图b-图c）

b.根据车辆位姿将语义信息转换到世界坐标系：
$$\left[\begin{array}{c}{u}_{ipm}\\ v_{ipm}\\ 1\end{array}\right]=K_{ipm}\left[\begin{array}{c}{x}^v\\ y^v\\ 1\end{array}\right]$$🌂分类错误修正
由于网络可能出现误分类，于是将map分为多个小方块（0.1m* 0.1m* 0.1m）， 记录被分入当前方块的点的class数目，选择最多的class作为方块的class，最终建的的初始语义图如下：

④位姿计算
GPS信号强的时候使用GPS定位，弱的时候使用odometry定位，位姿优化图如下：

两种边：蓝色的GPS约束只存在与GPS信号强的时候，只影响一个点，绿色的Odometry一直存在并连接两个位姿点。
图优化求解：
$$\underset{S_0...S_n}{\min }\left\{\sum _{i\in [1,n]}||r_o(s_{i-1}),s_i,{\hat{m}}_{i-1,i}^o|{|}_{\sigma }^2+\sum _{i\in \mathcal{G}}||r_g(s_i,{\hat{m}}_i^g)|{|}_{\sigma }^2\right\}$$左边项表示绿色边，右边项表示蓝色边。

①Map Merging / Updating
对上传的多张local 语义地图做3.1中的🌂操作，合并成全局地图；
②Map Compression
使用轮廓线代替点云，先将语义地图转换成俯瞰视角，然后提取轮廓线，如下图所示：

①Map Decompression
从云端得到的地图只有轮廓，用户端从俯瞰视角将轮廓内填满对应语义，即得到完整语义地图

有了初始位置后，将当前车辆BEV图像的语义特征和地图进行匹配，使用ICP方法定位，即求解:
$$r^{\ast },t^{\ast }=\underset{r,t}{a}rgmin\sum _{k\in \mathcal{S}}||R(r)\left[\begin{array}{c}{x}_k^v\\ y_k^v\\ 0\end{array}\right]+t-\left[\begin{array}{c}{x}_k^w\\ y_k^w\\ z_k^w\end{array}\right]|{|}^2$$定位同时结合了EFK，以提高鲁棒性和位姿计算的平滑度

1.为什么这里的内参少了一个公式？