第一篇： System Introduction
第二篇：State of the Art
第三篇：localization
第四篇：Submapping and temporal weighting
第五篇：Mapping of Point-shaped landmark data
第六篇：Clustering of landmark data
第七篇：fusion of point-shaped landmark data
第八篇：fusion of complex landmark data
第九篇：fusion of areal data
第十篇：instaniation at the vehicle and backend sid
第十一篇：future work
第十二篇：Mathematical Nomenclature
————————————————
说明：
在任何时候，处理链通常都只作用于车辆位置和观测值的空间和时间局部子集。可以通过这些数据的结构来支持处理链来提高效率，这些数据的结构考虑了其特定属性，以便更有效地存储或提供所需的信息。例如，机器人技术的常见方法不是在处理过程中将空间信息存储在一个全局地图中，而是存储在本地子地图中。数据操作仅作用于与其相关的子映射。优点是操作 submap 的时间要求只取决于 submap 中信息的大小，而不取决于 map 的总信息。
运营应仅根据时间上的局部信息进行操作的一个原因是，过去的观测值和其他信息可能会随着时间的推移而失去相关性。可以通过为过去的信息项分配权重来考虑，这些信息项会随着历史记录的增加而减少。操作仅在其权重给定的范围内考虑该信息，即权重较高的信息项更重要。由于时间权重的计算必须非常频繁地进行，因此其有效评估至关重要。此外， 集中采集的时间衰减严格取决于其类型和采集频率。本节将提出一种以有效和自适应方式确定适当时间权重的新方法。
子映射
子映射 子映射是将有限规模可行的算法扩展到大比例尺的常用方法 。这个想法是使用多个本地地图，而不仅仅是一个全局地图，每个地图只覆盖所考虑的整个区域的一部分，但足够大，可以执行操作。根据要求定义子映射问题如下；
数据
提供一种数据结构，该结构表示覆盖可能位置区域的有限子映射集，并有效地支持对子映射集的以下操作：
| Insertion:（插入） | 将具有属性值的位置 x 插入到相应的子图中。 |
| Deletion：（删除） | 从相应的子图中删除具有属性值的位置 x。 |
| k-NN Search:（k-NN 搜索） | 确定 k 个位置 k ą 0，最接近查询位置 x，仅限于位置 x 的子图和可能的相邻子图。 |
| r-Range Search: （r 范围搜索：） | 确定查询位置 x 周围半径 r ą 0 范围内的所有其他位置 x 1，仅限于位置 x 的子映射和可能的相邻子映射。 |
| Function Evaluation（功能评估） | 在子映射和可能的相邻子映射上计算函数 f。 |
| Function Updating: （功能更新：） | 更新子图和可能的相邻子图上的函数 f。 |
现有的子映射方法
现有的子映射方法大致可以细分为全局方法和局部方法。虽然局部方法通常包含局部参考系，例如相对于车辆的初始位置，但全局方法使用基于通用的、独立于车辆的全局参考系的子图。在下文中，介绍了一种称为自适应子映射的全局子映射变体，类似于 Guivant 和 Nebot 提出的变体。所提出的变体用于缩放点形、复杂和面数据的融合。
该方法提供了一种数据结构，该结构覆盖了要由一组大小相等的小子映射映射的区域，这些子映射是放置在该区域上的网格的单元格。数据结构是自适应的，因为仅存储包含过去仍然相关的信息的子图，以及可能很快受到车辆影响的子图。当车辆位于到目前为止所覆盖的区域边界附近时，后一个子图以预测方式确定。子映射是全局对齐的，即它们都引用相同的全局参考系。子图可以彼此独立地处理，尤其是并行处理。
通过考虑由更新操作直接寻址的子图单元，以及其所谓的 8 邻域中的子图单元来执行更新，即沿共享网格边缘或共享网格顶点相邻的子图（图 1）。这样，可以更适当地保证相邻子图像元之间的一致性。当满足某些约束条件时，甚至可以实现全局最佳结果。哈希表和 R 树 的组合作为动态索引结构，支持搜索与执行操作相关的子图和在子图中搜索位置。
优点：
这种全局子映射的数据结构有几个优点。全局子映射方法具有所有车辆共享公共坐标参考框架的优势，这大大简化了 群体采集 的协作融合。仅存储过去相关的子图考虑到道路网络的主要稀疏性质。此外，用于快速网格查找的索引数据结构不会因未使用的条目而膨胀。由于数值不准确，对不同 8 个邻域的重叠区域进行冗余计算和比较，并允许所获得结果之间存在任何或唯一的微小偏差，这提供了额外的计算安全层，当融合数据应纳入安全关键型汽车时，可以认为这一点至关重要。
通过自适应分区实现全局子映射。计算的局部性，只适用于一个网格（以灰色表示），仅限于它们的八个直接邻居（以红色突出显示，即所谓的 8 邻域）。假设网格为正方形，在此示例中，边长相等，为 64 m。
子映射数据结构允许在计算函数的子映射单元中选择一阶泰勒级数的线性化点（例如取其中心点，以规范方式对函数进行有效的局部线性化。
非线性函数的线性化
一个变量中的 Taylor 级数定义为
其中 a 是线性化点，f （n）是给定函数 f（x） 的第 n 个导数。通过仅考虑一阶项，泰勒级数可用于非线性函数的线性化：
两个变量中的一阶泰勒级数表示为
其中 （a b）是所选的线性化点。类似地，该方法可以扩展到 n 个变量。