Mối quan hệ giữa bản đồ đám mây điểm và bản đồ đồ thị

Tôi quen thuộc nhất với các bản đồ SLAM là các đám mây điểm, thường ở dạng vectơ như . Tôi cũng hiểu cách tạo bản đồ như thế này bằng EKF.$<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$

Hôm nay tôi đã bắt gặp một định dạng tệp .graph , như bạn mong đợi bao gồm các đỉnh và cạnh trong định dạng:

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

Tôi biết rằng có một kết nối giữa ma trận và đồ thị (ví dụ một ma trận kề). Nhưng tôi không rõ định dạng biểu đồ này của bản đồ tương đương với bản đồ đám mây điểm mà tôi quen thuộc.

Mối quan hệ là gì? Là các đỉnh cả tư thế và mốc? Có phải họ trong một khung tham chiếu toàn cầu? Làm thế nào điều này được tạo ra từ thông tin vận tốc nói và cảm biến phạm vi / mang? Có sự chuyển đổi giữa bản đồ đồ thị và đám mây điểm không?

Như đã nói trong phần mô tả định dạng tệp, nó dành cho các phương pháp SLAM dựa trên biểu đồ. Chúng hoạt động trên việc giảm thiểu lỗi của mạng hạn chế đặt ra. Bạn có thể nghĩ về nó theo cách này: Có một số khung tham chiếu (đỉnh của bạn) và sau đó bạn có kiến ​​thức về sự chuyển đổi giữa các khung này. Những biến đổi này được liên kết với một sự không chắc chắn. Đặt các khung tối ưu hóa đồ thị như ví dụ TORO , HogMan , G2O , v.v. sau đó sẽ cung cấp cho bạn khả năng tối đa của các vị trí đỉnh của bạn, với các ràng buộc.

Trong thuật ngữ robot thực tế, điều này thường có nghĩa là:

• $p_k$$k$
• Tùy thuộc vào cách tiếp cận của bạn, bạn cũng có thể thêm các mốc làm đỉnh. Bạn không cần phải tuy nhiên.
• $p_k$$p_{k+1}$
• Nếu cách tiếp cận của bạn hoạt động dựa trên mốc, bạn thêm các biến đổi vào các mốc của bạn. Nếu bạn chỉ biết vị trí đến mốc của mình, bạn sẽ đặt độ không chắc chắn cao vào thông tin xoay vòng của chuyển đổi.
• Nếu cách tiếp cận của bạn không biết về các mốc, ví dụ: bạn có các điểm lớn mà bạn khớp với ICP, bạn có thể thêm kết quả ICP vào biểu đồ ràng buộc của mình.

$n \times n$$n$

VERTEX2VERTEX3from_idto_idEDGE2EDGE3$[x\, y \, z\, \text{roll}\, \text{pitch}\, \text{yaw}]$

Tùy thuộc vào khung của bạn, thường thì một trong các đỉnh được đặt trong khung tham chiếu toàn cục.

Đồ thị tối ưu hóa dựa trên đồ thị được coi là phụ trợ SLAM. Cách bạn tạo các ràng buộc, ví dụ từ dữ liệu phạm vi của bạn là một vấn đề ở mặt trước. Có một cái nhìn tổng quan tốt đẹp trong các ghi chú bài giảng .

Có một bài đăng diễn đàn với một số thông tin rõ ràng hơn về định dạng. Dường như các giá trị nút đồ thị là ước tính ban đầu về tự đặt ra và các cạnh mã hóa các ràng buộc đặt ra như được biểu thị bởi bộ lọc thông tin , bộ lọc kép của bộ lọc Kalman.

Từ những gì tôi có thể nói, định dạng bản đồ này chỉ bao gồm thông tin tự đặt ra và không phải là các mốc, do đó sẽ không có chuyển đổi trực tiếp từ bản đồ đám mây điểm.