Nokta bulutu haritaları ve grafik haritaları arasındaki ilişki

En çok nokta bulutları olan, genellikle gibi bir vektör şeklinde olan SLAM haritalarına . Bir EKF kullanarak böyle bir haritanın nasıl oluşturulacağını da anlıyorum.$<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$

Bugün , beklediğiniz gibi biçimdeki köşelerden ve kenarlardan oluşan bir .graph dosya biçimiyle karşılaştım:

VERTEX2 id x y orientation

EDGE2 observed_vertex_id observing_vertex_id forward sideward rotate inf_ff inf_fs inf_ss inf_rr inf_fr inf_sr

Matrisler ve grafikler (örneğin bir bitişiklik matrisi) arasında bir bağlantı olduğunu biliyorum. Ancak bir haritanın bu grafik biçiminin, tanıdığım bir nokta bulutu haritasına nasıl eşdeğer olduğu net değil.

İlişki nedir? Köşeler hem pozlar hem de yer işaretleri midir? Küresel referans çerçevesi içinde mi? Bu, hız bilgisinden ve bir menzil / yatak sensöründen nasıl oluşturulur? Bir grafik haritası ile bir nokta bulutu arasında bir dönüşüm var mı?

Dosya formatının açıklamasında söylediği gibi, grafik tabanlı SLAM yaklaşımları içindir. Bunlar bir poz kısıtlama ağının hatasını en aza indirmeye çalışır. Bunu şu şekilde düşünebilirsiniz: Birkaç referans çerçevesi (köşeleriniz) vardır ve sonra bu çerçeveler arasındaki dönüşüm hakkında bilgi sahibi olursunuz. Bu dönüşümler bir belirsizlik ile ilişkilidir. TORO , HogMan , G2O ve benzeri gibi pozlama grafik optimizasyon çerçeveleri , kısıtlamalar göz önüne alındığında, tepe konumlarınızın maksimum olasılığını verecektir.

Pratik robot terimleriyle, bu genellikle şu anlama gelir:

• Her robotun zamanında kendi referans çerçevesine ve dolayısıyla tepe noktasına sahiptir.$p_k$$k$
• Yaklaşımınıza bağlı olarak, yer işaretlerini köşe noktası olarak da ekleyebilirsiniz. Ancak bunu yapmak zorunda değilsiniz.
• İki poz arasındaki ilişki hakkında her yeni bilgi aldığınızda, bunu kısıtlama grafiğine eklersiniz. Örneğin, kilometre sayacınız ve arasında bir dönüşüm sağlayacaktır .$p_k$$p_{k+1}$
• Yaklaşımınız yer işareti tabanlı çalışıyorsa, yer işaretlerinize dönüşümler eklersiniz. Yalnızca dönüm noktanızın konumunu biliyorsanız, dönüşümünüzün dönüş bilgileri üzerinde yüksek bir belirsizlik belirlersiniz.
• Yaklaşımınız yer işaretlerini bilmiyorsa, örneğin ICP ile eşleştirdiğiniz büyük nokta bulutları varsa, ICP sonuçlarını kısıtlama grafiğinize ekleyebilirsiniz.

Poz kısıtlamaları genellikle boyutundaki seyrek matrisler olarak saklanır; burada , grafiğinizdeki köşe noktalarının sayısıdır (yine robot pozları ve yer işaretleri).$n \times n$$n$

Dosya formatının kendisi, VERTEX2(2B modeller için) ve VERTEX3(3B modeller için ) ile köşelerin konumu için ilk tahminler sağlar . İkisini karıştıramazsınız. from_idVe tarafından verilen referans çerçeveleri (köşeler) arasındaki dönüşümü belirtmeniz için kısıtlamalar eklenir to_id. Verilir dönüşümü ya EDGE2ve EDGE3çevirme ve döndürme Euler açıları, hem de belirsizlik bilgi matrisi olarak. Bu durumda bilgi matrisi, dönüşüm vektörü için kovaryans matrisinin tersidir .$[x\, y \, z\, \text{roll}\, \text{pitch}\, \text{yaw}]$

Çerçevenize bağlı olarak, genellikle köşelerden biri küresel bir referans çerçevesinde topraklanır.

Grafik tabanlı poz grafik iyileştiricileri SLAM arka uçları olarak kabul edilir. Örneğin veri aralığınızdan kısıtlamaları nasıl oluşturduğunuz bir ön uç sorunudur. Bu ders notlarında hoş bir genel bakış var .

Biçimle ilgili daha açıklayıcı bilgiler içeren bir forum gönderisi var. Grafik düğümü değerleri, kendi kendine pozların ilk tahminleridir ve kenarlar , Kalman filtresinin ikili bilgi filtresi tarafından temsil edilen poz sınırlamalarını kodlar .

Söyleyebileceğim kadarıyla, bu harita formatı yer işaretlerini değil, yalnızca kendi kendine poz bilgilerini içerir, bu nedenle bir nokta bulutu haritasından doğrudan bir dönüşüm olmazdı.