3D LiDAR maps are playing a more and more important role in intelligent vehicle localization. In this paper, the proposed SeqPolar localization method consists of two parts. The first part is a novel node-based LiDAR map representation method, termed polarized LiDAR map (PLM), and the second is a map matching algorithm based on a second-order hidden Markov model (HMM2) for vehicle localization. Unlike existing 3D LiDAR map, which is usually constructed by accumulating 3D LiDAR clouds collected at different times, the proposed polarized LiDAR map is generated from a set of nodes. Each node consists of three elements: a polarized LiDAR image, scene features extracted from the polarized LiDAR image, and sensor pose. The polarized LiDAR image encodes 3D coordinates and reflectivities of the 3D LiDAR cloud using a multi-channel image format, a more concise, straightforward, and structured representation of the 3D LiDAR cloud. In the localization step, we propose an HMM2-based method to match a sequence of input polarized images within the map nodes and find the nearest node from the PLM. Afterward, the vehicle is readily localized from the matched map node with 3D registration. The proposed SeqPolar localization method has been validated with the actual field dataset and the public KITTI database. Experimental results demonstrate that the proposed HMM2-based matching method can achieve up to 98% accuracy to find the nearest node from PLM. Moreover, the SeqPolar localization method based on the pre-built PLM can achieve 30-centimeter localization accuracy in average on both test datasets.

中文翻译：

---

SeqPolar：用于智能车辆定位的偏振 LiDAR 地图与 HMM 的序列匹配

3D LiDAR 地图在智能车辆定位中发挥着越来越重要的作用。在本文中，提出的 SeqPolar 定位方法由两部分组成。第一部分是一种新颖的基于节点的 LiDAR 地图表示方法，称为极化 LiDAR 地图 (PLM)，第二部分是基于二阶隐马尔可夫模型 (HMM2) 的车辆定位地图匹配算法。与通常通过累积在不同时间收集的 3D LiDAR 云构建的现有 3D LiDAR 地图不同，所提出的极化 LiDAR 地图是从一组节点生成的。每个节点由三个元素组成：偏振 LiDAR 图像、从偏振 LiDAR 图像中提取的场景特征和传感器位姿。偏振 LiDAR 图像使用多通道图像格式对 3D LiDAR 云的 3D 坐标和反射率进行编码，3D LiDAR 云的更简洁、直接和结构化的表示。在定位步骤中，我们提出了一种基于 HMM2 的方法来匹配地图节点内的一系列输入偏振图像，并从 PLM 中找到最近的节点。之后，车辆很容易通过 3D 注册从匹配的地图节点定位。所提出的 SeqPolar 定位方法已通过实际现场数据集和公共 KITTI 数据库进行了验证。实验结果表明，所提出的基于 HMM2 的匹配方法可以达到高达 98% 的准确率，以从 PLM 中找到最近的节点。此外，基于预构建 PLM 的 SeqPolar 定位方法在两个测试数据集上平均可以实现 30 厘米的定位精度。在定位步骤中，我们提出了一种基于 HMM2 的方法来匹配地图节点内的一系列输入偏振图像，并从 PLM 中找到最近的节点。之后，车辆很容易通过 3D 注册从匹配的地图节点定位。所提出的 SeqPolar 定位方法已通过实际现场数据集和公共 KITTI 数据库进行了验证。实验结果表明，所提出的基于 HMM2 的匹配方法可以达到高达 98% 的准确率，以从 PLM 中找到最近的节点。此外，基于预构建 PLM 的 SeqPolar 定位方法在两个测试数据集上平均可以实现 30 厘米的定位精度。在定位步骤中，我们提出了一种基于 HMM2 的方法来匹配地图节点内的一系列输入偏振图像，并从 PLM 中找到最近的节点。之后，车辆很容易通过 3D 注册从匹配的地图节点定位。所提出的 SeqPolar 定位方法已通过实际现场数据集和公共 KITTI 数据库进行了验证。实验结果表明，所提出的基于 HMM2 的匹配方法可以达到高达 98% 的准确率，以从 PLM 中找到最近的节点。此外，基于预构建 PLM 的 SeqPolar 定位方法在两个测试数据集上平均可以实现 30 厘米的定位精度。车辆很容易通过 3D 注册从匹配的地图节点定位。所提出的 SeqPolar 定位方法已通过实际现场数据集和公共 KITTI 数据库进行了验证。实验结果表明，所提出的基于 HMM2 的匹配方法可以达到高达 98% 的准确率，以从 PLM 中找到最近的节点。此外，基于预构建 PLM 的 SeqPolar 定位方法在两个测试数据集上平均可以实现 30 厘米的定位精度。车辆很容易通过 3D 注册从匹配的地图节点定位。所提出的 SeqPolar 定位方法已通过实际现场数据集和公共 KITTI 数据库进行了验证。实验结果表明，所提出的基于 HMM2 的匹配方法可以达到高达 98% 的准确率，以从 PLM 中找到最近的节点。此外，基于预构建 PLM 的 SeqPolar 定位方法在两个测试数据集上平均可以实现 30 厘米的定位精度。