Directorio de artículos
Resumí los artículos sobre SLAM dinámico que he visto recientemente, aunque no entendí la mayoría de ellos.
Clasificación del método:
- basado en el aprendizaje:
- basado en visibilidad: Removet, BORRADOR
a. Problema del ángulo de incidencia: como el desenfoque del ángulo de incidencia.
b. Los puntos dinámicos no se pueden filtrar correctamente cuando aparecen obstáculos. - Basado en mapas de ocupación: OctoMap (mapeo), UFOMap (mapeo), DUFOMap, Dynablox
a. Los métodos basados en ocupación son computacionalmente costosos en entornos 3D.
Las tres clasificaciones anteriores también se pueden denominar de la siguiente manera: - Segmentación basada en la apariencia:
- Detección de cambios de escaneo a escaneo:
- Detección de cambios basada en mapas:
OctoMapa: (2013)
● La estructura de octree permite una inicialización retardada de la estructura de cuadrícula.
● La información se puede almacenar en octrees a diferentes resoluciones.
Voxblox: (2016)
● SDF (campo de distancia con signo) representa la distancia desde cada punto de vóxel hasta el obstáculo más cercano, acelerando así la optimización de la trayectoria.
● En lugar de asignar tamaños de vóxeles por adelantado, Voxblox asigna bloques de tamaño fijo cuando es necesario.
Mapa OVNI: (2020)
Este artículo se centra principalmente en el problema de que hay demasiadas áreas desconocidas en el entorno, por lo que se presenta el mapeo de áreas desconocidas. En comparación con OctoMap, el rendimiento del mapeo se ha mejorado, pero no es SLAM dinámico. (Principalmente para un entendimiento conjunto con DUFOMap a continuación)
● Puntos de innovación:
○ Visualización de todos los estados en el mapa: ocupado, libre, desconocido.
○ Introducir diferentes formas de fusionar datos en el octree, mejorando la eficiencia;
○ OctoMap no permite operaciones iterativas al insertar/eliminar mapas, y UFOMap supera este defecto. Se permite la iteración.
○ El parámetro de resolución de octree de la función OctoMap es inmutable, pero el parámetro de resolución de octree de UFOMap se puede cambiar.
● Cómo se almacena la ocupación: la ocupación se almacena en los nodos correspondientes al octree (el valor de ocupación de registros agregados se almacena en los nodos).
● Cómo se divide la ocupación de un nodo:
libre, ocupado desconocido:
occ(n) < tf < occ(n) < a < occ(n)
● Los códigos Morton se utilizan para acelerar el recorrido de este árbol. Un método de codificación de puntos espaciales.
● Nube de puntos medida por sensores integrados: integrador simple, integrador discreto, integrador rápido y discreto. Aún no entiendo el tercer método.
Método sin conexión: Removet, EARSOR, ERASOR2
Eliminado: (2020)
La idea principal: proyectar el marco consultado (escaneo) en el mapa (imágenes de rango), luego comparar las imágenes de rango del escaneo consultado bajo restricciones de visibilidad y usar la votación para predecir puntos dinámicos. Al mismo tiempo, para reducir las posiciones de error, las imágenes de rango se utilizan para restaurar puntos dinámicos a puntos estáticos en escenas de resolución degradada, por lo que se llama Removet (eliminar y reconstruir).
ATAQUE: (2021)
Premisa: Se supone que el objeto dinámico está asociado al suelo. Todavía no entiendo bien este artículo. La idea de asociar objetos dinámicos con puntos de tierra también se mencionó en el artículo A Dynamic. Podrás verlos juntos más tarde.
La idea principal: comparar las proporciones mínima y máxima del eje z del escaneo de consulta y el mapa. Si esta relación verifica el umbral, entonces esta área contiene puntos dinámicos y luego se elimina el contenedor en esta área.
Desventajas: los valores mínimo y máximo del rango del eje z deben especificarse por separado para diferentes escenarios. Al mismo tiempo, algunas zonas individuales demasiado altas pueden superar el rango máximo del eje z.
Filtro dinámico: (2022)
front-end scac-to-map y back-end map-to-map Métodos basados en visibilidad y mapas
en el front-end:
después de acumular varios fotogramas, eliminación dinámica de puntos según el método de visualización: en el caso de un gran ángulo de incidencia u obstáculos, La eliminación de puntos estáticos puede causar degradación y los puntos estáticos pueden identificarse erróneamente como puntos dinámicos, por lo que los puntos estáticos deben reconstruirse después de su eliminación. El método de reconstrucción de puntos estáticos de front-end aquí es relativamente nuevo, puede leer el artículo para aprenderlo.
el back-end:
El artículo explica que debido a que el sistema de front-end es efectivo al eliminar secuencias cortas, pero funciona mal al eliminar secuencias largas, se diseñó un método de eliminación de back-end para compensar este defecto.
Hay un procesamiento de ángulo de incidencia grande en el módulo final de este artículo. Al calcular el ángulo de incidencia de cada punto, las nubes de puntos mayores que el umbral se marcan como puntos pseudoocupados. El punto de pseudoocupación más cercano se utiliza como límite visual y cualquier punto que exceda este límite visual no se considera. Ya que la proyección de rayos de esos puntos es incorrecta. (Esta idea es muy similar a otro artículo)
Dynablox: (2023) Solución de mapeo de nivel inferior Voxblox
- Idea principal: Estimación de incrementos con alta confianza mediante percepción, estimación de estado y mapeo durante la operación del robot en línea. La idea central es estimar incrementos con confianza reducida pero alta modelando cada área de espacio libre. Estas regiones de alta confianza se utilizan luego para generar grupos de objetos dinámicos y eliminar puntos de ambigüedad en regiones de baja confianza.
- Punto de innovación: los factores considerados por el método de estimación incremental de alta confianza incluyen: nube de puntos de entrada, ruido del sensor de modelado (centrese en comparar esto con el método DUFOMap a continuación), escasez de mediciones, entorno dinámico y deriva de estimación de estado (esto también se puede comparar con el siguiente método).
- Fuentes de error: ruido de sensores, deriva de estado, imprecisiones en mapas de límites espaciales inexplorados.
Este artículo es realmente confuso y muchos conceptos no están muy claros.
DUFOMap: (2024) Basado en UFOMap
Correlación: la estructura de vóxel generada después del procesamiento de la nube de puntos en UFPMap se utiliza en la operación de la nube de puntos de DUFOMap. La proyección de luz se utiliza para identificar regiones vacías (posteriormente se utiliza para distinguir puntos estáticos de puntos dinámicos).
Hay una frase en el artículo: El campo de distancia con signo truncado (TSDF) es una alternativa a la ocupación. Los puntos cuyo valor TDSF excede el umbral se dividen en "áreas siempre libres" y luego los puntos que caen dentro de esta área se denominan puntos dinámicos. La idea es similar al método basado en ocupación.
● Punto de innovación: Cómo identificar puntos dinámicos:
○ Basado en las regiones vacías identificadas, si se vuelven a observar. También se consideran el ruido del sensor y el error de posicionamiento. Cómo considerar las diferencias de pose y el ruido del sensor reduciendo o ampliando el rango de regiones vacías.
○ Comparación con implementaciones de última generación basadas en múltiples escenarios y múltiples tipos de sensores.
● Identificar regiones vacías: este artículo menciona:
○ Identificar la probabilidad de cada vóxel según la ocupación (cuadrículas de ocupación), según las observaciones de esta región por parte de todos los observadores, lo que significa que esta región puede cambiar entre libre y ocupada.
○ En el método propuesto en este artículo, se utilizan observaciones basadas en nubes de puntos de fotograma único de radar y se utiliza un nuevo método extendido de proyección de iluminación para marcar regiones vacías. No es necesario acumular observaciones para determinar la región vacía y se puede determinar rápidamente basándose en una sola observación.
● Método de ubicación y compensación de ruido:
○ Utilice una distancia de Chebyshev para la ubicación, basada en la primera región vacía dividida, y establezca dp = 2.
○ Para compensación de ruido: establezca una distancia ds = 0,2 m, y el vóxel correspondiente a la posición 0,2 metros delante del vóxel concentrado también se denomina impacto. Mi comprensión de esto no es muy precisa. Si está interesado en aprender, consulte el texto original.
Mapa de belleza: (2024)
- Represente nubes de puntos como mallas binarias 3D y codifíquelas en matrices 2D para mejorar la eficiencia. Marque puntos dinámicos potenciales comparando el cuadro actual y el mapa de nube de puntos global poco a poco.
- Eliminación de puntos dinámicos.
- Reconstrucción de puntos estáticos: