Зв'язок між точковими хмарними картами та картами графіків

Я найбільше знайомий зі картами SLAM, які представляють собою точкові хмари, як правило, у формі вектору $<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$. Я також розумію, як створити подібну карту за допомогою EKF.

Сьогодні я натрапив на формат файлу .graph , який, як ви могли очікувати, складається з вершин і ребер у форматі:

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

Я знаю, що існує зв’язок між матрицями та графіками (наприклад, матриця суміжності). Але мені незрозуміло, яким чином цей графічний формат карти еквівалентний точковій хмарній карті, з якою я знайомий.

Які стосунки? Чи вершини є позими і орієнтирами? Чи є вони в глобальній системі відліку? Як це створюється з інформації про швидкість сказати та датчика дальності / підшипника? Чи є перетворення між графічною картою та хмарною точкою?

Як говориться в описі файлового формату, він призначений для графічних підходів SLAM. Вони працюють над мінімізацією помилок мережі обмеження позу. Ви можете подумати про це так: Існує ряд посилальних кадрів (ваших вершин), і тоді ви маєте знання про перетворення між цими кадрами. Ці перетворення пов'язані з невизначеністю. Рамки оптимізації графіків пози, такі як, наприклад, TORO , HogMan , G2O і так далі, дадуть вам максимальну ймовірність ваших вершинних позицій, враховуючи обмеження.

На практиці це означає, що зазвичай означає:

• Кожен робот позує $p_k$ під час $k$ має власну систему відліку і, отже, вершину
• Залежно від підходу, ви також можете додавати орієнтири як вершини. Не потрібно, однак.
• Щоразу, коли ви отримуєте нову інформацію про співвідношення між двома позими, ви додаєте її до графіка обмежень. Наприклад, ваша одометрія дасть вам перетворення між$p_k$ і $p_{k+1}$.
• Якщо ваш підхід працює орієнтиром, ви додаєте трансформації до своїх орієнтирів. Якщо ви знаєте лише позицію свого орієнтира, ви встановлюєте високу невизначеність щодо інформації про обертання трансформації.
• Якщо ваш підхід не знає про орієнтири, наприклад, у вас є великі точкові набори, які відповідають ICP, ви можете додати результати ICP до свого графіка обмежень.

Обмеження позу звичайно зберігаються у вигляді малих матриць розміру $n \times n$ де $n$ - кількість вершин (знову ж таки пози та орієнтири робота) у вашому графіку.

Сам формат файлу надає початкові здогадки про положення вершин з VERTEX2(для 2D-моделей) та VERTEX3(для 3D-моделей). Ви не можете їх змішати. Обмеження додаються так, що ви задаєте перетворення між опорними кадрами (вершинами), заданими from_idі to_id. Перетворення задається або EDGE2і в EDGE3якості поступального і обертального руху в ейлерових кутів, а також інформаційної матриці невизначеності. У цьому випадку інформаційна матриця є зворотною матрицею коваріації для вектора перетворення$[x\, y \, z\, \text{roll}\, \text{pitch}\, \text{yaw}]$.

Залежно від вашої основи, як правило, одна з вершин ґрунтується на глобальній системі відліку.

Оптимізатори графів на основі графіків вважаються мішками SLAM. Те, як генерувати обмеження, наприклад, з ваших даних про діапазон, є проблемою, що склалася. У цих конспектах лекцій є хороший огляд .

Існує допис на форумі з додатковою уточнюючою інформацією про формат. Виглядає так, що значення вузла графа - це початкові оцінки власних поз, а краї кодують обмеження поставок, як це представлено інформаційним фільтром , дуалом фільтра Калмана.

Як я можу сказати, цей формат карти включає лише інформацію про власні пози, а не орієнтири, тому прямого перетворення з карти хмарних точок не буде.