【基础整理】Mapping representation 机器人所用地图种类及相关介绍

2022-09-03 01:01:49 阅读：414 来源： 互联网

标签：voxel 机器人 mapping Mapping filter 相关点云 representation 3D

参考与前言

本文主要介绍建图 Mapping 方面的一些基础知识介绍与相关下游任务使用

涉及知识较为基础，SLAM大佬们可以提前退出了主要针对应用为移动机器人与物流无人驾驶车；提前申明：大部分文字/图片，翻译/截图于来自 Introduction to Mobile Robotics, Techniques for 3D Mapping, Wolfram Burgard 的PPT内容 阿里云盘下载链接

部分图片/文字参考如下，同时会在文中进行再次标注：

PPT from Introduction to Mobile Robotics, Techniques for 3D Mapping, Wolfram Burgard，原链接，阿里云盘链接
相关 mapping, voxel 总结 github readme: meshula/awesome-voxel
其他相关代码举例见原文提及处

大部分移动机器人，比如两轮差速、机器狗平面运动等大多使用的是2D occupancy map
自动驾驶定位中，我们常用传感器的点云信息进行建点云地图，这一点主要用于定位，注意点云并不能直接的被规划使用
自动驾驶运动规划避障中，简单来操作，会生成以自车为中心的局部栅格地图；正经操作则是有分模块，对障碍物进行检测，然后再根据检测结果进行运动规划；更正经的操作则是有检测、跟踪、预测三模块进行，但这一部分并不在本文的讨论内容中

本文主要是介绍相关的mapping 表达方式，常用的数据结构形式打开目录看更佳

Motivation

为什么我们需要一种3维的表达来做maps：WHY 3D representation?

机器人在我们所生活的三维的世界中 => 需要一种机器使用的地图方式
当然2D maps也能被导航比如定位任务所使用
给下游任务使用，比如collision avoidance 和运动规划

Representations

常用表达方式 Representations

Point clouds 通常由激光雷达传感器所直接获得
Voxel grids 接收传感器数据后进行一些操作
TSDF 投影到最近平面的距离，多帧点云加权平均, SDF/ESDF
Surface maps
Meshes
...

Point Clouds 点云

由PPT截图可知，点云不需要在对收集到的数据进行离散化等，而且点云的范围可以很大；当然这一类数据类型很难直接被下游任务所使用，主要原因是没有直接的 free/unknown 区域的表示

通常使用的传感器有16,32,64,128线的各种激光雷达，相关建图算法也很多：最为简单的是由Autoware直接开源出的ndt_mapping模块，此处为抽取模块下的代码链接：gitee 抽取 mapping_ws

其他的也有配合GPS, IMU等进行的融合，也有加入了回环 loop detection、动态障碍物剔除、配合相机上色等，比如 LIO_SAM_6AXIS，FSAT-LIO 等等等

Truncated Signed Distance Field (TSDF)

一种3d voxel array的表达方式，常用于3d voxel的建立步骤之中，比如voxblox，vdbmapping等，更多可见3d voxel grids部分

A Truncated Signed Distance Field (TSDF) is a 3D voxel array representing objects within a volume of space in which each voxel is labeled with the distance to the nearest surface
参考于：https://rosindustrial.org/news/tag/TSDF

相关算法：ros-industrial/yak which is a library for integrating depth images into Truncated Signed Distance Fields (TSDFs)

3D Voxel Grids

这个就是由点云地图进行后续操作而生成的，有了volumetric的表示，同时可以根据收集数据时间等概率更新地图，相关的算法为 ethz-asl/voxblox 更多请参考2 链接：awesome-voxel。此地图通常在无人机行业使用更多一点，也可以走到下游进行使用，当然pcl库里也有直接的voxelgrid函数进行使用，但一般是用来降采样点云中的点的，比如如下代码：

pcl::VoxelGrid<pcl::PointXYZI> voxel_grid_filter;
voxel_grid_filter.setLeafSize(filter_res, filter_res, filter_res);
voxel_grid_filter.setInputCloud(map_ptr);
voxel_grid_filter.filter(*map_filtered);
std::cout << "Original: " << map_ptr->points.size() << " points." << std::endl;
std::cout << "Filtered: " << map_filtered->points.size() << " points." << std::endl;
pcl::toROSMsg(*map_filtered, *map_msg_ptr);

需要注意的是，voxel的分辨率选择很大程度会影响整体建图的效率和好坏，如下截图：

更多相关建图：octoMap/octomap，

2.5D Maps/Elevation maps

也就是说elevation maps 对比3D是一种2.5D的表达，然后可以根据概率进行高度的根据，这个grid_map有直接集成到ros的插件，由ETH Marco 组提出的，后续转到了ANYbotics下面repo，如参考三链接 ANYbotics/grid_map，正常full-ros会自动下载这个包，也可以pull下来进行源码安装

可以通过point clouds直接进行转换，也可以通过其他传感器自己定义更新方式即可，较为常用于机器狗领域

但是因为一个格子只能出一个高度值，所以遇到桌子、桥等就无法进行比较好的表达，比如这样：

然后就有了extended elevation maps

Others

比如MLP，multi-layer surface等，见原文ppt 见开头参考链接

还有ESDF，Euclidean signed distance field，通常用于planning模块中，相关可参考：【基础计算】ESDF栅格距离图计算并行加速版 (附源码)

Structure

主要建图中使用存储数据结构，比如八叉树、kdtree，vdb，Hash

Octree

大多数时候都可以使用别人已经搭好的轮子，尽量不要重复造轮子，但是我看的几个好像都自己写了一遍 ... octree相关头文件和cpp，可能是自定义一些其他的函数进整体类中

VDB

更多参考见论文：VDBFusion: Flexible and Efficient TSDF Integration of Range Sensor Data，以下为论文中图片截图

相关提及代码：AcademySoftwareFoundation/openvdb，PRBonn/vdbfusion

碎碎念

Mapping 还有关于动态障碍物去除的一些工作，可见这个repo：zhuhu00/Awesome_Dynamic_SLAM 很详细的列举了相关主流mapping的去除动态障碍物方法，包含学习、传统和概率更新类

当然上面的都是比较基础介绍，更多了解需要跳转相关的代码/论文。如若上述有什么不对的地方，请及时指正/补充，感谢~

赠人点赞手有余香

标签：voxel,机器人,mapping,Mapping,filter,相关,点云,representation,3D
来源： https://www.cnblogs.com/kin-zhang/p/16651788.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9