포인트 클라우드 맵과 그래프 맵의 관계

포인트 클라우드 인 SLAM 맵에 가장 익숙합니다. 일반적으로 . 또한 EKF를 사용하여 이와 같은 맵을 만드는 방법을 이해합니다.$<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$

오늘 나는 .graph 파일 형식 을 발견했습니다.이 형식 은 정점과 모서리가 형식으로 구성되어 있습니다.

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

행렬과 그래프 사이에 연결이 있음을 알고 있습니다 (예 : 인접 행렬). 그러나이지도의 그래프 형식이 내가 잘 알고있는 포인트 클라우드 맵과 어떻게 다른지 잘 모르겠습니다.

관계는 무엇입니까? 꼭짓점은 포즈와 랜드 마크입니까? 그것들은 전역 참조 프레임에 있습니까? 이것은 속도 정보와 거리 / 베어링 센서로부터 어떻게 만들어 집니까? 그래프 맵과 포인트 클라우드간에 변형이 있습니까?

파일 형식에 대한 설명에서 알 수 있듯이 그래프 기반 SLAM 방식입니다. 포즈 제약 네트워크의 오류를 최소화하는 작업입니다. 당신은 이것을 다음과 같이 생각할 수 있습니다 : 많은 참조 프레임 (정점)이 있고이 프레임들 사이의 변환에 대한 지식이 있습니다. 이러한 변화는 불확실성과 관련이 있습니다. TORO , HogMan , G2O 등과 같은 포즈 그래프 최적화 프레임 워크 는 제약 조건에 따라 정점 위치의 최대 가능성을 제공합니다.

실제 로봇 용어에서 이것은 일반적으로 다음을 의미합니다.

• 각 로봇 포즈 $p_k$ 시간에 $k$ 자체 참조 프레임이 있으므로 정점
• 접근 방식에 따라 랜드 마크를 정점으로 추가 할 수도 있습니다. 그러나 그럴 필요는 없습니다.
• 두 포즈 간의 관계에 대한 새로운 정보를 얻을 때마다 구속 조건 그래프에 추가합니다. 예를 들어, 주행 거리 측정법은$p_k$ 과 $p_{k+1}$.
• 접근 방식이 랜드 마크 기반으로 작동하는 경우 랜드 마크에 변환을 추가합니다. 랜드 마크의 위치 만 알고 있으면 변환의 회전 정보에 대한 불확실성이 높습니다.
• 접근 방식이 랜드 마크에 대해 알지 못하는 경우 (예 : ICP와 일치하는 큰 점 구름이있는 경우) ICP 결과를 구속 조건 그래프에 추가 할 수 있습니다.

포즈 제약 조건은 일반적으로 크기의 희소 행렬로 저장됩니다. $n \times n$ 어디 $n$ 그래프에서 꼭짓점 수 (로봇 포즈 및 랜드 마크)입니다.

파일 형식 자체는 정점 위치에 대한 초기 추측을 VERTEX2(2D 모델의 경우) 및 VERTEX3(3D 모델의 경우)로 제공합니다. 둘을 섞을 수는 없습니다. from_id및로 지정된 참조 프레임 (정점) 사이의 변환을 지정할 수 있도록 제약 조건이 추가됩니다 to_id. 의해 주어진 변환하거나 EDGE2및 EDGE3역 회전 오일러 각도에서뿐만 아니라, 불확실한 정보 매트릭스. 이 경우 정보 행렬은 변환 벡터에 대한 공분산 행렬의 역수입니다.$[x\, y \, z\, \text{roll}\, \text{pitch}\, \text{yaw}]$.

프레임 워크에 따라 일반적으로 정점 중 하나가 전역 참조 프레임에 접지됩니다.

그래프 기반 포즈 그래프 최적화 프로그램은 SLAM 백엔드로 간주됩니다. 예를 들어 범위 데이터에서 제약 조건을 생성하는 방법은 프런트 엔드 문제입니다. 이 강의 노트 에는 좋은 개요가 있습니다 .

형식에 대한보다 명확한 정보 가있는 포럼 게시물 이 있습니다 . 그래프 노드 값은 자체 포즈의 초기 추정치이며, 모서리 는 칼만 필터의 이중 인 정보 필터 로 표시되는 포즈 제약 조건을 인코딩 합니다.

내가 알 수 있듯이이지도 형식에는 랜드 마크가 아닌 자체 자세 정보 만 포함되므로 점 구름지도에서 직접 변환되지는 않습니다.