Hubungan antara peta titik awan dan peta grafik

Saya paling akrab dengan peta SLAM yang titik awan, biasanya dalam bentuk vektor seperti . Saya juga mengerti cara membuat peta seperti ini menggunakan EKF.$<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$

Hari ini saya menemukan format file graph , yang seperti yang Anda harapkan terdiri dari simpul dan tepi dalam format:

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

Saya tahu bahwa ada hubungan antara matriks dan grafik (misalnya, matriks adjacency). Tetapi tidak jelas bagi saya bagaimana format grafik peta ini setara dengan peta cloud titik yang saya kenal.

Apa hubungannya? Apakah simpul sekaligus pose dan landmark? Apakah mereka dalam kerangka referensi global? Bagaimana ini dibuat dari informasi kecepatan katakan dan sensor jangkauan / bantalan? Apakah ada transformasi antara peta grafik dan awan titik?

Seperti yang dikatakan dalam deskripsi format file, itu adalah untuk pendekatan SLAM berbasis grafik. Ini berfungsi untuk meminimalkan kesalahan jaringan kendala pose. Anda dapat memikirkannya dengan cara ini: Ada sejumlah bingkai referensi (simpul Anda) dan kemudian Anda memiliki pengetahuan tentang transformasi antara frame-frame ini. Transformasi ini dikaitkan dengan ketidakpastian. Pose kerangka optimisasi grafik seperti misalnya TORO , HogMan , G2O dan seterusnya akan memberi Anda kemungkinan maksimum posisi verteks Anda, mengingat kendala.

Dalam istilah robot praktis, ini biasanya berarti:

• $p_k$$k$
• Tergantung pada pendekatan Anda, Anda juga dapat menambahkan landmark sebagai simpul. Anda tidak harus melakukannya.
• $p_k$$p_{k+1}$
• Jika pendekatan Anda berfungsi berdasarkan tengara, Anda menambahkan transformasi ke tengara Anda. Jika Anda hanya mengetahui posisi tengara Anda, Anda menetapkan ketidakpastian tinggi pada informasi rotasi transformasi Anda.
• Jika pendekatan Anda tidak tahu tentang landmark, misalnya Anda memiliki awan titik besar yang cocok dengan ICP, Anda dapat menambahkan hasil ICP ke grafik kendala Anda.

$n \times n$$n$

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

Tergantung pada kerangka kerja Anda, biasanya salah satu simpul didasarkan pada kerangka referensi global.

Grafik pengoptimal pose berdasarkan grafik dianggap sebagai backend SLAM. Bagaimana Anda menghasilkan kendala misalnya dari rentang Anda data adalah masalah front-end. Ada ikhtisar bagus dalam catatan kuliah ini .

Ada posting forum dengan beberapa informasi lebih jelas tentang format. Sepertinya nilai-nilai simpul grafik adalah perkiraan awal dari self-poses, dan edge menyandikan batasan yang direpresentasikan oleh filter informasi , dual dari filter Kalman.

Dari apa yang dapat saya katakan, format peta ini hanya mencakup informasi pose-sendiri dan bukan landmark, sehingga tidak akan ada konversi langsung dari peta cloud titik.