Связь между картами облаков точек и графическими картами

Я наиболее знаком с картами SLAM, которые являются точечными облаками, обычно в форме вектора как . Я также понимаю, как создать такую ​​карту, используя EKF.$<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$

Сегодня я наткнулся на формат файла .graph , который, как и следовало ожидать, состоит из вершин и ребер в формате:

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, что есть связь между матрицами и графами (например, матрица смежности). Но мне не ясно, как этот графовый формат карты эквивалентен карте облака точек, с которой я знаком.

Каковы отношения? Вершины - это и позы, и ориентиры? Находятся ли они в глобальной системе отсчета? Как это получается из, скажем, информации о скорости и датчика диапазона / подшипника? Есть ли преобразование между графической картой и облаком точек?

Как говорится в описании формата файла, это для подходов SLAM на основе графов. Они работают на минимизацию ошибки сети с ограничением позы. Вы можете думать об этом следующим образом: Есть несколько систем отсчета (ваших вершин), и тогда у вас есть знания о преобразовании между этими системами. Эти преобразования связаны с неопределенностью. Платформы оптимизации графов, такие как, например, TORO , HogMan , G2O и т. Д. , Дадут вам максимальную вероятность расположения ваших вершин с учетом ограничений.

В практическом смысле это обычно означает:

• Каждая поза робота в момент времени имеет свою собственную систему отсчета и, следовательно, вершину$p_k$$k$
• В зависимости от вашего подхода вы также можете добавить ориентиры в качестве вершин. Вы не должны однако.
• Всякий раз, когда вы получаете новую информацию об отношении между двумя позами, вы добавляете ее в граф ограничений. Например, ваша одометрия даст вам преобразование между и .$p_k$$p_{k+1}$
• Если ваш подход работает на основе ориентира, вы добавляете преобразования в ориентиры. Если вы знаете только положение своего ориентира, вы устанавливаете высокую неопределенность в информации о повороте вашего преобразования.
• Если ваш подход не знает об ориентирах, например, у вас есть большие облака точек, которые вы сопоставляете с ICP, вы можете добавить результаты ICP в свой график ограничений.

Ограничения по позе обычно хранятся в виде разреженных матриц размера где - количество вершин (опять-таки позы и ориентиры роботов) в вашем графике.$n \times n$$n$

Сам формат файла обеспечивает начальные предположения для положения вершин с VERTEX2(для 2D-моделей) и VERTEX3(для 3D-моделей). Вы не можете смешать два. Ограничения добавляются таким образом, чтобы вы указали преобразование между опорными кадрами (вершинами), заданными from_idи to_id. Преобразование задается либо EDGE2и в EDGE3качестве поступательного и вращательного движения в эйлеровых углов, а также информационной матрицы неопределенности. В этом случае информационная матрица является обратной к ковариационной матрице для вектора преобразования .$[x\, y \, z\, \text{roll}\, \text{pitch}\, \text{yaw}]$

В зависимости от вашей структуры, обычно одна из вершин основана на глобальной системе координат.

Оптимизаторы графа поз на основе графа считаются бэкэндами SLAM. То, как вы генерируете ограничения, например, из данных диапазона, является проблемой переднего плана. В этих примечаниях к лекции есть хороший обзор .

На форуме есть еще поясняющая информация о формате. Похоже, что значения узлов графа являются начальными оценками самостоятельных поз, а ребра кодируют ограничения позы, представленные информационным фильтром , двойственным фильтру Калмана.

Из того, что я могу сказать, этот формат карты включает в себя только информацию о себе, а не ориентиры, поэтому прямого преобразования из карты облака точек не будет.