【ipaper】 Mapping | An Overview to Visual Odometry and Visual SLAM: Applications to Mobile Robotics 第六部分
Mapping
在大多数现实世界的机器人应用中，没有用于移动机器人定位和导航的地图。因此为了实现完全的自主，生成环境的地图是自动驾驶车辆的重要功能之一。通常情况下，Mapping是一项具有挑战性的任务，最常用的Mapping表示如下：
Fig4 不同的
Mapping技术示例，. a Feature map. b Topological map. c Occupancy grid map [51]
Metric Maps（尺度地图）
在 Metric Maps中，环境用对象和固定参考框架之间的几何关系表示[92]。最常见的度量标准建图形式是：
Feature Maps
特征图[21]以稀疏的几何形状（例如点和直线）的形式表示环境，每个特征由一组参数描述，比如位置和几何形状。通过观察和检测特征，并且将这些特征与已经储存的地图进行比较来对环境进行建图。由于使用的是有限的稀疏对象来表示地图，那么它的计算成本相对较低，并且具有良好的地图管理算法适用于当前的应用。特征地图表示的主要缺点是它对错误数据关联的敏感性[9]，（与地图中的特征错误的关联）。这在不考虑存储特征之间的相关性的数据关联技术中尤其明显。已经提出了针对该问题的DA解决方案，例如[83]，并且在“Data Association”部分中更详细地讨论了这些解决方案。
Occupancy Grids
Occupancy Grids（占据栅格地图）[14,40]由单元阵列表示，其中每个单元（或图像中的像素）表示环境的区域。与只关心对象的形状和类型(基于特征)的Feature Maps不同，占据栅格地图只关心每个单元的占用概率。占用概率处于0到1之间。在占据栅格地图的建图过程中，测量的数据和储存的地图之间的数据关联是基于相似性的技术来执行的例如[9]。该方法的一个主要优点是其在路径规划和探索算法中很有用，其中占用的概率信息可以降低路径规划任务的复杂性。该方法的主要缺点是计算的复杂性，特别是对于大型的环境。通过降低地图的分辨率可以实现精度和计算成本之间的折衷，其中每个的小单元将代表更大的区域。
Topological Maps
与关注地点和地标之间几何关系的度量地图相比，拓扑图仅仅关注对象之间的邻接信息[35]， 并且尽可能的避免度量信息。拓扑图通常由图graph表示，其中节点定义的是位置或地标并包含关于它们的独特信息并且节点之间连接为曲线，这些曲线包含了各个节点之间的邻接信息。拓扑图在以抽象形式表示大型环境时特别有用，其中仅保留必要的信息。这些信息包括的是环境中的一些高阶（high level）的特征比如，对象，门， 人和其他的语义信息。Fig4有拓扑图的简单示例。拓扑图的一个主要优点是它在图数据结构中的高级路径规划方法中的有用性，例如找到最短路径。通过将从传感器测量获得的信息与在每个节点处保留的各自的独特的信息进行比较来执行DA。例如，可以使用地点识别方法来执行DA，例如使用视觉词典（visual dictionary）[4]或其他高级特征匹配方法。当重新观察位置和检测循环闭合时，可以添加节点之间的附加约束。拓扑图的主要缺点之一是没有任何形式的度量定位测量[9]，难以确保不同地点之间的可靠导航。诸如沿右壁或左壁的方法在许多应用中是足够的，比如说静态室内环境中导航（例如，所有门都是关闭的）。但是，仅依靠定性信息可能不足以在动态和混乱的环境中进行导航。另一个主要缺点是检测到错误DA的问题，其中机器人未能识别先前观察到的地点（可能是由于地点的小变化）或者将位置与不正确的地方相关联。在这种情况下，拓扑序列被破坏，机器人的位置信息将变得不准确[9]。
度量地图（Metric Map）
度量地图强调精确地表示地图中物体的位置关系，通常用稀疏（Sparse）与稠密（Dense）对其分类。稀疏地图进行了一定程度的抽象，并不需要表达所有的物体。例如，我们选择一部分具有代表意义的东西，称之为路标（Landmark），那么一张稀疏地图就是由路标组成的地图，而不是路标的部分就可以忽略掉。相对地，稠密地图着重于建模所有看到的东西。对于定位来说，稀疏路标地图就足够了。而用于导航时，则往往需要稠密的地图（否则撞上两个路标之间的墙怎么办？）。稠密地图通常按照某种分辨率，由许多个小块组成。对于二维度量地图是许多个小格子（Grid），而对于三维度量地图则是许多小方块（Voxel）。一般地，一个小块含有占据、空闲、未知三种状态，以表达该格内是否有物体。当查询某个空间位置时，地图能够给出该位置是否可以通过的信息。这样的地图可以用于各种导航算法，如A、D等，为机器人研究者所重视。但是我们也看到，这种地图需要存储每一个格点的状态，会耗费大量的存储空间，而且多数情况下地图的许多细节部分是无用的。另一方面，大规模度量地图有时会出现一致性问题。很小的一点转向误差，可能会导致两间屋子的墙出现重叠，使地图失效。
--- 引自《视觉SLAM十四讲：从理论到实践》
Hybrid Maps (Metric + Topological)
通常，度量图导致更准确的定位，而拓扑图导致环境的抽象表示，这两个特性对于路径规划方法很有用。这些表示的功能是互补的[92]，并且度量（定量信息）和定性信息的组合已被用于改进导航和DA [93,110]。
不足之处，敬请斧正; 若你觉得文章还不错，请关注微信公众号“SLAM 技术交流”继续支持我们，笔芯：D。
参考文献
[9].Bailey, T.: Mobile robot localisation and mapping in extensive outdoor environments. PhD Thesis, The University of Sydney (2002)
[14].Borenstein, J., Koren, Y.: The vector field histogram-fast obstacle avoidance for mobile robots. IEEE Trans. Robot. Autom. 7(3), 278–288 (1991)
[21].Chatila, R., Laumond, J.: Position referencing and consistent world modeling for mobile robots. In: IEEE International Conference on Robotics and Automation, Proceedings, vol. 2, pp. 138–145 (1985)
[35].Dudek, G., Jenkin, M., Milios, E., Wilkes, D.: Robotic exploration as graph construction. IEEE Trans. Robot. Autom. 7(6), 859–865 (1991)
[40].Elfes, A.: Occupancy grids: a stochastic spatial representation for active robot perception. In: Proceedings of the Sixth Conference on Uncertainty in AI, vol. 2929 (1990)
[51].Grisetti, G., Stachniss, C., Burgard, W.: Improving grid-based slam with Rao-Blackwellized particle filters by adaptive proposals and selective resampling. In: Robotics and Automation, 2005 (ICRA 2005), pp. 2432–2437 (2005)
[83].Neira, J., Tardós, J.: Data association in stochastic mapping using the joint compatibility test. IEEE Trans. Robot. Autom. 17(6), 890–897 (2001)
[92].Panzier, S., Pascucci, F., Setola, R., Ulivi, G.: A low cost vision based localization system for mobile robots. Target 4, 5 (2001)
[93].Panzieri, S., Pascucci, F., Santinelli, I., Ulivi, G.: Merging topological data into Kalman based slam. In: World Automation Congress, 2004, Proceedings, vol. 15, pp. 57–62 (2004)
[109].Thrun, S., Burgard, W., Fox, D.: Probabilistic Robotics. MIT Press, Cambridge (2005)
[110].Thrun, S., Gutmann, J., Fox, D., Burgard, W., Kuipers, B., et al.: Integrating topological and metric maps for mobile robot navigation: A statistical approach. In: Proceedings of the National Conference on Artificial Intelligence, pp. 989–996. Wiley, New York (1998)
下一部分是：
Simultaneous Localization and Mapping， 敬请期待 ：D。