概述
这篇文章主要是描述一个能对谷歌街景车在城市环境采集的数据进行全局对准的自动化算法。
动机
因为GPS在城市环境中会受到高楼等物体的干扰，不是很准确；同时，局部跟踪技术（包括整合惯性传感器、SfM等）在经过长距离之后会发成漂移，导致最后的结果发生扭曲以及多米的失准。所以本论文利用物体检测器进行语义提取，再进行匹配，选入ICP算法中，能有更好的效果。
贡献
本论文的主要贡献是将语义检测使用到all-to-all ICP算法的不同状态中。
方法
论文方法实现分为语义特征检测以及ＩＣＰ算法优化两大步骤：
- 语义特征检测
语义特征检测分包含四种检测，分别为检测基础结构、具体物体（停住的车辆）、整段物体、几何图元。
- 基础结构
许多嵌入在基础设施当中的静态物体能够提供突出的对准特征，比如建筑物，交通灯等等。问题是要使用3D几何特征来表示它们并不容易。对于最大的规模下，文章使用基于分级聚类的平面检测方法对楼面和路面进行检测。对于较小规模的，使用霍夫变换寻找细长的圆柱体来检测柱子（识别的包括交通标的杆，灯杆以及树干等）。
- 具体物体
使用SVM检测停住的车辆。
- 分段
对于其它杂的物体，在去除了路面，建筑，柱子，停住的车辆以后，使用分级聚类得到分段。
- 几何图元
最后，进行几何图元检测，比如直线。因为直线可能是属于窗口、门、楼的边缘，这些边缘可以使得最终的结果得到有效的改善。
- ICP 算法（及其优化）
对于算法优化主要是进行了： 参数化、能量方程两块的优化。
论文结果：
论文主要从三个方面分析了结果：
语义特征结果
鲁棒性结果
与其他方法的对比
未来可研究点
文章只考虑了一小部分城市环境下的语义特征，也只是针对车载雷达，所以可以考虑将这些方法应用到更多的情景下。
文章只考虑了利用语义特征对准激光雷达，还可以用来对准更多的数据，比如图像数据。
文章仅仅是进行了全局对准，并没有完成一个完整的城市重建。
有兴趣阅读的参考文献
Besl P J, McKay N D. Method for registration of 3-D shapes[C]//Robotics-DL tentative. International Society for Optics and Photonics, 1992: 586-606.
Hebel M, Stilla U. Automatic registration of laser point clouds of urban areas[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2007, 36(3/W49A): 13-18.
Golovinskiy A, Kim V G, Funkhouser T. Shape-based recognition of 3D point clouds in urban environments[C]//Computer Vision, 2009 IEEE 12th International Conference on. IEEE, 2009: 2154-2161.
Malisiewicz T, Gupta A, Efros A A. Ensemble of exemplar-svms for object detection and beyond[C]//Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011: 89-96.
Salas-Moreno R F, Newcombe R A, Strasdat H, et al. Slam++: Simultaneous localisation and mapping at the level of objects[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2013: 1352-1359.