Resumo do SLAM dinâmico um

Resumi os artigos sobre SLAM dinâmico que vi recentemente, embora não tenha entendido a maioria deles.

Classificação do método:

1. baseado na aprendizagem:
2. baseado em visibilidade: Removet, ERASOR
   a. Problema de ângulo de incidente: como desfoque de ângulo de incidente.
   b. Os pontos dinâmicos não podem ser filtrados corretamente quando aparecem obstáculos.
3. baseado em mapa de ocupação: OctoMap (mapeamento), UFOMap (mapeamento), DUFOMap, Dynablox
   a.
   As três classificações acima também podem ser chamadas da seguinte forma:
4. segmentação baseada na aparência:
5. Detecção de alterações de varredura para varredura:
6. Detecção de alterações baseada em mapa:

OctoMapa：（2013）

● A estrutura octree permite a inicialização atrasada da estrutura da grade.
● As informações podem ser armazenadas em octrees em diferentes resoluções.
Voxblox: (2016)
● SDF (campo de distância sinalizado) representa a distância de cada ponto do voxel até o obstáculo mais próximo, acelerando assim a otimização da trajetória.
● Em vez de alocar tamanhos de voxel antecipadamente, o Voxblox aloca blocos de tamanho fixo quando necessário.

Mapa UFO：（2020）

Este artigo concentra-se principalmente no problema de haver muitas áreas desconhecidas no ambiente, introduzindo assim o mapeamento de áreas desconhecidas. Em comparação com o OctoMap, o desempenho do mapeamento foi melhorado, mas não é SLAM dinâmico. (Principalmente para entendimento conjunto com o DUFOMap abaixo)
● Pontos de inovação:
○ Exibição de todos os estados no mapa: ocupado, livre, desconhecido.
○ Introduzir diferentes maneiras de fundir dados na octree, melhorando a eficiência;
○ OctoMap não permite operações iterativas ao inserir/excluir mapas, e o UFOMap supera esse defeito; A iteração é permitida.
○ O parâmetro de resolução octree da função OctoMap é imutável, mas o parâmetro de resolução octree do UFOMap pode ser alterado.
● Como a ocupação é armazenada: a ocupação é armazenada nos nós correspondentes à octree (o valor da ocupação log-adds é armazenado nos nós).
● Como é dividida a ocupação de um nó:
livre, ocupado desconhecido:
occ(n) < tf < occ(n) < to < occ(n)
● Códigos Morton são usados ​​para acelerar o percurso desta árvore. Um método de codificação de ponto espacial.
● Nuvem de pontos medida por sensores integrados: integrador simples, integrador discreto, integrador rápido e discreto O terceiro método ainda não é compreendido.
Método offline: Removet, EARSOR, ERASOR2

Remover：（2020）

A ideia principal: projetar o quadro consultado (varredura) no mapa (imagens de intervalo), depois comparar as imagens de alcance da varredura consultada sob restrições de visibilidade e usar votação para prever pontos dinâmicos. Ao mesmo tempo, para reduzir posições de erro, imagens de alcance são utilizadas para restaurar pontos dinâmicos a pontos estáticos em cenas de resolução degradada, por isso é chamado de Removet (remover e reconstruir).

ATAQUE: (2021)

Premissa: Supõe-se que o objeto dinâmico esteja associado ao solo. Ainda não entendi muito bem este artigo. A ideia de associar objetos dinâmicos a pontos terrestres também foi mencionada no artigo A Dynamic. Você pode vê-los juntos mais tarde.
A ideia principal: comparar as proporções mínima e máxima do eixo z da verificação da consulta e do mapa do mapa. Se esta proporção verificar o limite, então esta área contém pontos dinâmicos e então a caixa nesta área é removida.
Desvantagens: Os valores mínimo e máximo do intervalo do eixo z precisam ser especificados separadamente para diferentes cenários. Ao mesmo tempo, áreas individuais demasiado altas podem exceder o intervalo máximo do eixo z.

Filtro dinâmico：（2022）

front-end scac-to-map e back-end map-to-map Métodos baseados em visibilidade e baseados em mapa
o front-end:
após acumular vários quadros, remoção dinâmica de pontos com base no método de visualização: no caso de grande ângulo de incidente ou obstáculos, a remoção do ponto estático pode causar degradação e identificar incorretamente os pontos estáticos como pontos dinâmicos, portanto, a reconstrução do ponto estático é necessária após a remoção. O método de reconstrução de ponto estático front-end aqui é relativamente novo, você pode ler o artigo para aprendê-lo.
back-end:
o artigo explica que, como o sistema somente front-end é eficaz na remoção de sequências curtas, mas tem um desempenho ruim na remoção de sequências longas, um método de remoção de back-end foi projetado para compensar essa falha.
Há um grande processamento de ângulo de incidência no módulo back-end deste artigo. Ao calcular o ângulo de incidência de cada ponto, as nuvens de pontos maiores que o limite são marcadas como pontos pseudo-ocupados. O ponto de pseudo-ocupação mais próximo é usado como limite visual, e qualquer ponto que exceda esse limite visual não é considerado. Já que a projeção do raio desses pontos está incorreta. (Esta ideia é muito semelhante a outro artigo)

Dynablox: (2023) Solução de mapeamento de nível inferior Voxblox

• Idéia principal: Estimativa de incrementos com alta confiança por meio de percepção, estimativa de estado e mapeamento durante a operação do robô online: A ideia central é estimar incrementos com confiança reduzida, mas alta, modelando cada área de espaço livre. Essas regiões de alta confiança são então usadas para semear clusters de objetos dinâmicos e desambiguar pontos em regiões de baixa confiança.
• Ponto de inovação: Os fatores considerados pelo método de estimativa incremental de alta confiança incluem: nuvem de pontos de entrada, modelagem de ruído do sensor (foco na comparação com o método DUFOMap abaixo), dispersão de medição, ambiente dinâmico e desvio de estimativa de estado (isso também pode ser comparado com o seguinte método).
• Fontes de erro: ruído do sensor, desvio de estado, imprecisões em mapas de limites espaciais inexplorados.

Este artigo é realmente confuso e muitos conceitos não são muito claros.

DUFOMap: (2024) Baseado em UFOMap

Correlação: A estrutura voxel gerada após o processamento da nuvem de pontos no UFPMap é utilizada na operação da nuvem de pontos do DUFOMap. A projeção de luz é usada para identificar regiões vazias (posteriormente usada para distinguir pontos estáticos de pontos dinâmicos).
Há uma frase no artigo: O campo de distância sinalizada truncada (TSDF) é uma alternativa à ocupação. Os pontos cujo valor TDSF excede o limite são divididos em "áreas sempre livres" e, em seguida, os pontos que caem nesta área são chamados de pontos dinâmicos. A ideia é semelhante ao método baseado em ocupação.
● Ponto de inovação: Como identificar pontos dinâmicos:
○ Com base nas regiões de vazio identificadas, caso sejam observadas novamente. Ruído do sensor e erro de posicionamento também são considerados. Como considerar as diferenças de pose e o ruído do sensor, reduzindo ou expandindo a gama de regiões vazias.
○ Comparação com implementações de última geração baseadas em vários cenários e vários tipos de sensores.
● Identificar regiões vazias: Este artigo menciona:
○ Identificar a probabilidade de cada voxel com base na ocupação (grades de ocupação), com base nas observações desta região por todos os observadores, o que significa que esta região pode alternar entre livre e ocupada.
○ No método proposto neste artigo, são utilizadas observações baseadas em nuvens de pontos de quadro único de radar e um novo método estendido de projeção de iluminação é usado para marcar regiões vazias. Não há necessidade de acumular observações para determinar a região de vazio, e ela pode ser rapidamente determinada com base em uma única observação.
● Método de localização e compensação de ruído:
○ Use uma distância de Chebyshev para localização, com base na primeira região de vazio dividida, e defina dp = 2.
○ Para compensação de ruído: Defina uma distância ds = 0,2 m, e o voxel correspondente à posição 0,2 metros à frente do voxel concentrado também é chamado de hit. Minha compreensão disso não é muito precisa. Se você estiver interessado em aprender, consulte o texto original.

Mapa de Beleza：（2024）

1. Represente nuvens de pontos como malhas binárias 3D e codifique-as ainda mais em matrizes 2D para melhorar a eficiência. Marque pontos dinâmicos potenciais comparando o quadro atual e o mapa global da nuvem de pontos, bit a bit.
2. Remoção dinâmica de pontos.
3. Reconstrução de ponto estático: