octomap相关

转载自http://blog.csdn.net/linuxarmsummary/article/details/50924947

什么是octomap？

　　RGBD SLAM的目的有两个：估计机器人的轨迹，并建立正确的地图。地图有很多种表达方式，比如特征点地图、网格地图、拓扑地图等等。在《一起做》系列中，我们使用的地图形式主要是点云地图。在程序中，我们根据优化后的位姿，拼接点云，最后构成地图。这种做法很简单，但有一些明显的缺陷：

• 地图形式不紧凑。 　　点云地图通常规模很大，所以一个pcd文件也会很大。一张640× ×480的图像，会产生30万个空间点，需要大量的存储空间。即使经过一些滤波之后，pcd文件也是很大的。而且讨厌之处在于，它的“大”并不是必需的。点云地图提供了很多不必要的细节。对于地毯上的褶皱、阴暗处的影子，我们并不特别关心这些东西。把它们放在地图里是浪费空间。
• 处理重叠的方式不够好。 　　在构建点云时，我们直接按照估计位姿拼在了一起。在位姿存在误差时，会导致地图出现明显的重叠。例如一个电脑屏变成了两个，原本方的边界变成了多边形。对重叠地区的处理方式应该更好一些。
• 难以用于导航 　　说起地图的用处，第一就是导航啦！有了地图，就可以指挥机器人从A点到B点运动，岂不是很方便的事？但是，给你一张点云地图，是否有些傻眼了呢？我至少得知道哪些地方可通过，哪些地方不可通过，才能完成导航呀！光有点是不够的！

　　octomap就是为此而设计的！亲，你没有看错，它可以优雅地压缩、更新地图，并且分辨率可调！它以八叉树（octotree，后面会讲）的形式存储地图，相比点云，能够省下大把的空间。octomap建立的地图大概是这样子的：（从左到右是不同的分辨率）

　　

　　由于八叉树的原因，它的地图像是很多个小方块组成的（很像minecraft）。当分辨率较高时，方块很小；分辨率较低时，方块很大。每个方块表示该格被占据的概率。因此你可以查询某个方块或点“是否可以通过”，从而实现不同层次的导航。简而言之，环境较大时采用较低分辨率，而较精细的导航可采用较高分辨率。

　　小萝卜：师兄你这是介绍吗？真像广告啊……

---

 octomap原理

　　本段会讲一些数学知识。如果你想“跑跑程序看效果”，可以跳过本段。

1. 八叉树的表达

　　八叉树，也就是传说中有八个子节点的树！是不是很厉害呢？至于为什么要分成八个子节点，想象一下一个正方形的方块的三个面各切一刀，不就变成八块了嘛！如果你想象不出来，请看下图：

 

　　实际的数据结构呢，就是一个树根不断地往下扩，每次分成八个枝，直到叶子为止。叶子节点代表了分辨率最高的情况。例如分辨率设成0.01m，那么每个叶子就是一个1cm见方的小方块了呢！

　　

　　每个小方块都有一个数描述它是否被占据。在最简单的情况下，可以用0－1两个数表示（太简单了所以没什么用）。通常还是用0～1之间的浮点数表示它被占据的概率。0.5表示未确定，越大则表示被占据的可能性越高，反之亦然。由于它是八叉树，那么一个节点的八个孩子都有一定的概率被占据或不被占据啦！（下图是一棵八叉树）

　　用树结构的好处时：当某个节点的子结点都“占据”或“不占据”或“未确定”时，就可以把它给剪掉！换句话说，如果没必要进一步描述更精细的结构（孩子节点）时，我们只要一个粗方块（父节点）的信息就够了。这可以省去很多的存储空间。因为我们不用存一个“全八叉树”呀！

　　2.　八叉树的更新

　　在八叉树中，我们用概率来表达一个叶子是否被占据。为什么不直接用0－1表达呢？因为在对环境的观测过程中，由于噪声的存在，某个方块有时可能被观测到是“占据”的，过了一会儿，在另一些方块中又是“不占据”的。有时“占据”的时候多，有时“不占据”的时候多。这一方面可能是由于环境本身有动态特征（例如桌子被挪走了），另一方面（多数时候）可能是由于噪声。根据八叉树的推导，假设t＝1，…,T t＝1，…,T时刻，观测的数据为z 1 ,…,z T  z1,…,zT，那么第n n个叶子节点记录的信息为：

P(n|z 1:T )=[1+1−P(n|z T )P(n|z T ) 1−P(n|z 1:T−1 )P(n|z 1:T−1 ) P(n)1−P(n) ] −1 (1) P(n|z1:T)=[1+1−P(n|zT)P(n|zT)1−P(n|z1:T−1)P(n|z1:T−1)P(n)1−P(n)]−1(1)

 

 

 

 

　　小萝卜：哇！又一个好长的式子！这说的是啥师兄？

　　师兄：哎，写论文非得把一些简单的事情写得很复杂。为了解释这东西，先讲一下 logit 变换。该变换把一个概率p p变换到全实数空间R R上：　　

α=logit(p)=log(p1−p ) α=logit(p)=log(p1−p)

 

 

 

　　这是一个可逆变换，反之有：　　

p=logit −1 (α)=11+exp(−α) . p=logit−1(α)=11+exp(−α).

 

 

 

　　α α叫做log-odds。我们把用L() L()叶子节点的log-odds，那么(1)就可以写成：　　

L(n|z 1:T )=L(n|z 1:T−1 )+L(n|z T ) L(n|z1:T)=L(n|z1:T−1)+L(n|zT)

 

 

 

　　小萝卜：哦！这个我就懂了！每新来一个就直接加到原来的上面，是吧？

　　师兄：对，此外还要加一个最大最小值的限制。最后转换回原来的概率即可。

　　八叉树中的父亲节点占据概率，可以根据孩子节点的数值进行计算。比较简单的是取平均值或最大值。如果把八叉树按照占据概率进行渲染，不确定的方块渲染成透明的，确定占据的渲染成不透明的，就能看到我们平时见到的那种东西啦！

　　octomap本身的数学原理还是简单的。不过它的可视化做的比较好。下面我们来讲讲如何下载、安装八叉树程序，并给出几个小的例程。

---

 安装octomap

　　octomap的网页见：https://octomap.github.io

　　它的github源码在：https://github.com/OctoMap/octomap

　　它还有ROS下的安装方式：http://wiki.ros.org/octomap

　　在开发过程中，可能需要不断地查看它的API文档。你可以自己用doxygen生成一个，或者查看在线文档：http://octomap.github.io/octomap/doc/

　　为了保持简洁，我们不要求读者安装ROS，仅介绍单独的octomap。我的编译环境是ubuntu 14.04。ubuntu系列的应该都不会有太大问题。

　　1.　　编译octomap 　　　新建一个目录，拷贝octomap代码。如果没有git请安装git：sudo apt-get install git

1. git clone https://github.com/OctoMap/octomap

   git会把代码拷贝到当前目录/octomap下。进入该目录，参照README.md进行安装。编译方式和普通的cmake程序一样，如果你学过《一起做》就应该很熟悉了：

   1 mkdir build
   2 cd build
   3 cmake ..
   4 make

    事实上，octomap的代码主要含两个模块：本身的octomap和可视化工具octovis。octovis依赖于qt4和qglviewer，所以如果你没有装这两个依赖，请安装它们：sudo apt-get install libqt4-dev qt4-qmake libqglviewer-dev

   如果编译没有给出任何警告，恭喜你编译成功！

2. 使用octovis查看示例地图 在bin/文件夹中，存放着编译出来可执行文件。为了直观起见，我们直接看一个示例地图：

   bin/octovis octomap/share/data/geb079.bt

    octovis会打开这个地图并显示。它的UI是长这样的。你可以玩玩菜单里各种东西（虽然也不多，我就不一一介绍UI怎么玩了），能看出这是一层楼的扫描图。octovis是一个比较实用的工具，你生成的各种octomap地图都可以用它来看。（所以你可以把octovis放到/usr/local/bin/下，省得以后还要找。）

   

---

例程1：转换pcd到octomap

　　GUI玩够了吧？仅仅会用UI是不够滴，现在让我们开始编代码使用octomap这个库吧！

　　我为你准备了三个小例程。在前两个中，我会教你如何将一个pcd格式的点云地图转换为octomap地图。后一个中，我会讲讲如何根据g2o优化的轨迹，以类似slam的方式，把几个RGBD图像拼接出一个octomap。这对你研究SLAM会有一些帮助。所有的代码与数据都可以在我的github上找到。有关编译的信息，我写在这个代码的Readme中了，请在编译前看一眼如何编译这些代码。

　　源代码地址：https://github.com/gaoxiang12/octomap_tutor

　　源代码如下：src/pcd2octomap.cpp 这份代码将命令行参数1作为输入文件，参数2作为输出文件，把输入的pcd格式点云转换成octomap格式的点云。通过这个例子，你可以学会如何创建一个简单的OcTree对象并往里面添加新的点。　　

 1 #include 
 2 #include 
 3 
 4 //pcl
 5 #include 
 6 #include 
 7 
 8 //octomap 
 9 #include 
10 using namespace std;
11 
12 int main( int argc, char** argv )
13 {
14     if (argc != 3)
15     {
16         cout<<"Usage: pcd2octomap  "< cloud;
22     pcl::io::loadPCDFile ( input_file, cloud );
23 
24     cout<<"point cloud loaded, piont size = "< 
    
  
    
 
   

　　这个代码是相当直观的。在编译之后，它会产生一个可执行文件，叫做pcd2octomap，放在代码根目录的bin/文件夹下。你可以在代码根目录下这样调：

1 bin/pcd2octomap data/sample.pcd data/sample.bt

　　它会把data文件夹下的sample.pcd（一个示例pcd点云），转换成一个data/sample.bt的octomap文件。你可以比较下pcd点云与octomap的区别。下图是分别调用这些显示命令的结果。　　

1 pcl_viewer data/sample.pcd
2 octovis data/sample.ot

　　这个octomap里只存储了点的空间信息，而没有颜色信息。我按照高度给它染色了，否则它应该就是灰色的。通过octomap，我们能查看每个小方块是否可以通行，从而实现导航的工作。

　　以下是对代码的一些注解：

　　注1：有关如何读取pcd文件，你可以参见pcl官网的tutorial。不过这件事情十分简单，所以我相信你也能直接看懂。

　　注2：31行采用了C++11标准的for循环，它会让代码看起来稍微简洁一些。如果你的编译器比较老而不支持c++11，你可以自己将它改成传统的for循环的样式。

　　注3：octomap存储的文件后缀名是.bt（二进制文件）和.ot（普通文件），前者相对更小一些。不过octomap文件普遍都很小，所以也不差这么些容量。如果你存成了其他后缀名，octovis可能认不出来。

---

 例程2：加入色彩信息

　　第一个示例中，我们将pcd点云转换为octomap。但是pcd点云是有颜色信息的，能否在octomap中也保存颜色信息呢？答案是可以的。octomap提供了ColorOcTree类，能够帮你存储颜色信息。下面我们就来做一个保存颜色信息的示例。代码见：src/pcd2colorOctomap.cpp

 1 #include 
 2 #include 
 3 
 4 //pcl
 5 #include 
 6 #include 
 7 
 8 //octomap 
 9 #include 
10 #include 
11 
12 using namespace std;
13 
14 int main( int argc, char** argv )
15 {
16     if (argc != 3)
17     {
18         cout<<"Usage: pcd2colorOctomap  "< cloud;
24     pcl::io::loadPCDFile ( input_file, cloud );
25 
26     cout<<"point cloud loaded, piont size = "< 
    
  
    
 
   

　　大部分代码和刚才是一样的，除了把OcTree改成ColorOcTree，以及调用integrateNodeColor来混合颜色之外。这段代码会编译出pcd2colorOctomap这个程序，完成带颜色的转换。不过，后缀名改成了.ot文件。　　

1 bin/pcd2colorOctomap data/sample.pcd data/sample.ot

　　颜色信息能够更好地帮助我们辨认结果是否正确，给予一个直观的印象。是不是好看了一些呢？

---

 例程3：更好的拼接与转换

　　前两个例程中，我们都是对单个pcd文件进行了处理。实际做slam时，我们需要拼接很多帧的octomap。为了做这样一个示例，我从自己的实验数据中取出了一小段。这一小段总共含有五张图像（因为github并不适合传大量数据），它们存放在data/rgb_index和data/dep_index下。我的slam程序估计了这五个关键帧的位置，放在data/trajectory.txt中。它的格式是：帧编号 x y z qx qy qz qw （位置＋姿态四元数）。事实上它是从一个g2o文件中拷出来的。你可以用g2o_viewer data/result_after.g2o来看整个轨迹。

54 -0.228993 0.00645704 0.0287837 -0.0004327 -0.113131 -0.0326832 0.993042  144 -0.50237 -0.0661803 0.322012 -0.00152174 -0.32441 -0.0783827 0.942662  230 -0.970912 -0.185889 0.872353 -0.00662576 -0.278681 -0.0736078 0.957536  313 -1.41952 -0.279885 1.43657 -0.00926933 -0.222761 -0.0567118 0.973178  346 -1.55819 -0.301094 1.6215 -0.02707 -0.250946 -0.0412848 0.966741

　　现在我们要做的事，就是根据trajectory.txt里记录的信息，把几个RGBD图拼成一个octomap。这也是所谓的用octomap来建图。我写了一个示例，不知道你能否读懂呢？src/joinMap.cpp

  1 #include 
  2 #include 
  3 
  4 // octomap 
  5 #include 
  6 #include 
  7 #include 
  8 
  9 // opencv 用于图像数据读取与处理
 10 #include 
 11 #include 
 12 #include 
 13 
 14 // 使用Eigen的Geometry模块处理3d运动
 15 #include 
 16 #include  
 17 
 18 // pcl
 19 #include 
 20 #include 
 21 
 22 // boost.format 字符串处理
 23 #include 
 24 
 25 using namespace std;
 26 
 27 // 全局变量：相机矩阵
 28 // 更好的写法是存到参数文件中，但为方便起见我就直接这样做了
 29 float camera_scale  = 1000;
 30 float camera_cx     = 325.5;
 31 float camera_cy     = 253.5;
 32 float camera_fx     = 518.0;
 33 float camera_fy     = 519.0;
 34 
 35 int main( int argc, char** argv )
 36 {
 37     // 读关键帧编号
 38     ifstream fin( "./data/keyframe.txt" );
 39     vector keyframes;
 40     vector< Eigen::Isometry3d > poses;
 41     // 把文件 ./data/keyframe.txt 里的数据读取到vector中
 42     while( fin.peek() != EOF )
 43     {
 44         int index_keyframe;
 45         fin>>index_keyframe;
 46         if (fin.fail()) break;
 47         keyframes.push_back( index_keyframe );
 48     }
 49     fin.close();
 50 
 51     cout<<"load total "<>index_keyframe;
 61         for ( int i=0; i<7; i++ )
 62         {
 63             fin>>data[i];
 64             cout< cloud; 
 87         cout<<"converting "< (m) [n];
103                 if (d == 0)
104                     continue;
105                 float z = float(d) / camera_scale;
106                 float x = (n - camera_cx) * z / camera_fx;
107                 float y = (m - camera_cy) * z / camera_fy;
108                 pcl::PointXYZRGBA p;
109                 p.x = x; p.y = y; p.z = z;
110 
111                 uchar* rgbdata = &rgb.ptr(m)[n*3];
112                 uchar b = rgbdata[0];
113                 uchar g = rgbdata[1];
114                 uchar r = rgbdata[2];
115 
116                 p.r = r; p.g = g; p.b = b;
117                 cloud.points.push_back( p ); 
118             }
119         // 将cloud旋转之后插入全局地图
120         pcl::PointCloud::Ptr temp( new pcl::PointCloud() );
121         pcl::transformPointCloud( cloud, *temp, pose.matrix() );
122 
123         octomap::Pointcloud cloud_octo;
124         for (auto p:temp->points)
125             cloud_octo.push_back( p.x, p.y, p.z );
126         
127         tree.insertPointCloud( cloud_octo, 
128                 octomap::point3d( pose(0,3), pose(1,3), pose(2,3) ) );
129 
130         for (auto p:temp->points)
131             tree.integrateNodeColor( p.x, p.y, p.z, p.r, p.g, p.b );
132     }
133     
134     tree.updateInnerOccupancy();
135     tree.write( "./data/map.ot" );
136 
137     cout<<"done."< 
    
  
    
 
   

　　大部分需要解释的地方，我都在程序里写了注解。我用了一种稍微有些迂回的方式：先把图像转成pcl的点云，变换后再放到octotree中。这种做法的原因是比较便于处理颜色，因为我希望做出带有颜色的地图。如果你不关心颜色，完全可以不用pcl，直接用octomap自带的octomap::pointcloud来完成这件事。

　　insertPointCloud会比单纯的插入点更好一些。octomap里的pointcloud是一种射线的形式，只有末端才存在被占据的点，中途的点则是没被占据的。这会使一些重叠地方处理的更好。

　　最后，五帧数据拼接出来的点云大概长这样：　　

　　可能并不是特别完整，毕竟我们只用了五张图。这些数据来自于nyud数据集的dining_room序列，一个比较完整的图应该是这样的：

　　至少是比纯粹点云好些了吧？好了，关于例程就介绍到这里。如果你准备使用octomap，这仅仅是个入门。你需要去查看它的文档，了解它的类结构，以及一些重要类的使用、实现方式。

另外参考：

http://blog.csdn.net/rainvictor1/article/details/72599745

转载于:https://www.cnblogs.com/gary-guo/p/7504512.html