【基础整理】Mapping representation 机器人所用地图种类及相关介绍
参考与前言
本文主要介绍 建图 Mapping 方面的一些 基础知识介绍与相关下游任务使用
涉及知识较为基础，SLAM大佬们可以提前退出了 主要针对应用为移动机器人与物流无人驾驶车；提前申明：大部分文字/图片，翻译/截图于 来自 Introduction to Mobile Robotics, Techniques for 3D Mapping, Wolfram Burgard 的PPT内容 阿里云盘下载链接
部分图片/文字 参考如下，同时会在文中进行再次标注：
- PPT from Introduction to Mobile Robotics, Techniques for 3D Mapping, Wolfram Burgard，原链接，阿里云盘链接
- 相关 mapping, voxel 总结 github readme: meshula/awesome-voxel
- 其他相关代码举例 见原文提及处
- 大部分移动机器人， 比如两轮差速、机器狗平面运动等 大多使用的是2D occupancy map
- 自动驾驶定位中，我们常用传感器的点云信息进行建点云地图，这一点主要用于定位，注意点云并不能直接的被规划使用
- 自动驾驶运动规划避障中，简单来操作，会生成以自车为中心的局部栅格地图；正经操作则是有分模块，对障碍物进行检测，然后再根据检测结果进行运动规划；更正经的操作则是有检测、跟踪、预测 三模块进行，但这一部分并不在本文的讨论内容中
本文主要是介绍相关的mapping 表达方式，常用的数据结构形式 打开目录看更佳
Motivation
为什么我们需要一种3维的表达来做maps：WHY 3D representation?
- 机器人 在我们所生活的三维的世界中 => 需要一种机器使用的地图方式
- 当然2D maps也能被导航比如定位任务所使用
- 给下游任务使用，比如collision avoidance 和运动规划
Representations
常用表达方式 Representations
- Point clouds 通常由激光雷达传感器所直接获得
- Voxel grids 接收传感器数据后进行一些操作
- TSDF 投影到最近平面的距离，多帧点云加权平均, SDF/ESDF
- Surface maps
- Meshes
- …
Point Clouds 点云
由PPT截图可知，点云不需要在对收集到的数据进行离散化等，而且点云的范围可以很大；当然这一类数据类型 很难直接被下游任务所使用，主要原因是 没有直接的 free/unknown 区域的表示
通常使用的传感器有16,32,64,128线的 各种激光雷达，相关建图算法也很多：最为简单的是由Autoware直接开源出的ndt_mapping模块，此处为抽取模块下的代码链接：gitee 抽取 mapping_ws
其他的也有配合GPS, IMU等进行的融合，也有加入了回环 loop detection、动态障碍物剔除、配合相机上色等，比如 LIO_SAM_6AXIS，FSAT-LIO 等等等
Truncated Signed Distance Field (TSDF)
一种3d voxel array的表达方式，常用于3d voxel的建立步骤之中，比如voxblox，vdbmapping等，更多可见3d voxel grids部分
A Truncated Signed Distance Field (TSDF) is a 3D voxel array representing objects within a volume of space in which each voxel is labeled with the distance to the nearest surface
参考于：https://rosindustrial.org/news/tag/TSDF
相关算法：ros-industrial/yak which is a library for integrating depth images into Truncated Signed Distance Fields (TSDFs)
3D Voxel Grids
这个就是由点云地图进行后续操作而生成的，有了volumetric的表示，同时可以根据 收集数据时间等概率更新地图，相关的算法为 ethz-asl/voxblox 更多请参考2 链接：awesome-voxel。此地图 通常在 无人机 行业使用更多一点，也可以走到下游进行使用，当然pcl库里也有直接的voxelgrid函数进行使用，但一般是用来降采样点云中的点的，比如如下代码：
pcl::VoxelGrid<pcl::PointXYZI> voxel_grid_filter;
voxel_grid_filter.setLeafSize(filter_res, filter_res, filter_res);
voxel_grid_filter.setInputCloud(map_ptr);
voxel_grid_filter.filter(*map_filtered);
std::cout << "Original: " << map_ptr->points.size() << " points." << std::endl;
std::cout << "Filtered: " << map_filtered->points.size() << " points." << std::endl;
pcl::toROSMsg(*map_filtered, *map_msg_ptr);
需要注意的是，voxel的分辨率选择 很大程度会影响整体建图的效率和好坏，如下截图：
更多相关建图：octoMap/octomap，
2.5D Maps/Elevation maps
也就是说elevation maps 对比3D是一种2.5D的表达，然后可以根据概率进行高度的根据，这个grid_map有直接集成到ros的插件，由ETH Marco 组提出的，后续转到了ANYbotics下面repo，如参考三链接 ANYbotics/grid_map，正常full-ros会自动下载这个包，也可以pull下来进行源码安装
可以通过point clouds直接进行转换，也可以通过其他传感器 自己定义更新方式即可，较为常用于 机器狗领域
相关算法推荐：ANYbotics/elevation_mapping，leggedrobotics/elevation_mapping_cupy
但是因为一个格子只能出一个高度值，所以遇到桌子、桥等 就无法进行比较好的表达，比如这样：
然后就有了extended elevation maps
Others
比如MLP，multi-layer surface等，见原文ppt 见开头参考链接
还有ESDF，Euclidean signed distance field，通常用于planning模块中，相关可参考：【基础计算】ESDF栅格距离图计算并行加速版 (附源码)
Structure
主要建图中使用存储数据结构，比如八叉树、kdtree，vdb，Hash
Octree
大多数时候都可以使用别人已经搭好的轮子，尽量不要重复造轮子，但是我看的几个好像都自己写了一遍 … octree相关头文件和cpp，可能是自定义一些其他的函数进整体类中
VDB
更多参考见论文：VDBFusion: Flexible and Efficient TSDF Integration of Range Sensor Data，以下为论文中图片截图
相关提及代码：AcademySoftwareFoundation/openvdb，PRBonn/vdbfusion
碎碎念
Mapping 还有关于动态障碍物去除的一些工作，可见 这个repo：zhuhu00/Awesome_Dynamic_SLAM 很详细的列举了相关主流mapping的去除动态障碍物方法，包含学习、传统和概率更新类
当然上面的都是比较基础介绍，更多了解需要跳转相关的代码/论文。如若上述有什么不对的地方，请及时指正/补充，感谢~
赠人点赞 手有余香 ；正向回馈 才能更好开放记录 hhh