Premier résumé du SLAM dynamique

J’ai résumé les articles sur le SLAM dynamique que j’ai vus récemment, même si je n’ai pas compris la plupart d’entre eux.

Classement des méthodes :

1. basé sur l'apprentissage :
2. basé sur la visibilité : Removet, ERASOR
   a. Problème d'angle d'incident : tel que le flou d'angle d'incident.
   b. Les points dynamiques ne peuvent pas être correctement filtrés lorsque des obstacles apparaissent.
3. Basé sur une carte d'occupation : OctoMap (cartographie), UFOMap (cartographie), DUFOMap, Dynablox
   a. Les méthodes basées sur l'occupation sont coûteuses en termes de calcul dans les environnements 3D.
   Les trois classifications ci-dessus peuvent également être appelées comme suit :
4. Segmentation basée sur l'apparence :
5. Détection de changement de numérisation à numérisation :
6. Détection de changement basée sur la carte :

OctoMap：（2013）

● La structure octree permet une initialisation retardée de la structure grille.
● Les informations peuvent être stockées dans des octrees à différentes résolutions.
Voxblox : (2016)
● SDF (signed distance field) représente la distance entre chaque point de voxel et l'obstacle le plus proche, accélérant ainsi l'optimisation de la trajectoire.
● Au lieu d'attribuer des tailles de voxels à l'avance, Voxblox alloue des blocs de taille fixe lorsque cela est nécessaire.

Carte de l'OVNI (2020)

Cet article se concentre principalement sur le problème du fait qu'il y a trop de zones inconnues dans l'environnement, introduisant ainsi la cartographie des zones inconnues. Par rapport à OctoMap, les performances de cartographie ont été améliorées, mais il ne s'agit pas d'un SLAM dynamique. (Principalement pour compréhension commune avec DUFOMap ci-dessous)
● Points d'innovation :
○ Affichage de tous les états dans la carte : occupé, libre, inconnu.
○ Introduire différentes manières de fusionner les données dans l'octree, améliorant ainsi l'efficacité ;
○ OctoMap ne permet pas d'opérations itératives lors de l'insertion/suppression de cartes, et UFOMap surmonte ce défaut. L'itération est autorisée.
○ Le paramètre de résolution octree de la fonction OctoMap est immuable, mais le paramètre de résolution octree d'UFOMap peut être modifié.
● Comment l'occupation est stockée : l'occupation est stockée dans les nœuds correspondant à l'octree (la valeur d'occupation des ajouts de journaux est stockée dans les nœuds).
● Comment l'occupation d'un nœud est divisée :
libre, inconnu occupé :
occ(n) < tf < occ(n) < à < occ(n)
● Les codes Morton sont utilisés pour accélérer le parcours de cet arbre. Une méthode de codage de points spatiaux.
● Nuage de points mesuré par capteurs intégrés : Intégrateur simple, Intégrateur discret, Intégrateur discret rapide La troisième méthode n'est pas encore comprise.
Méthode hors ligne : Removet, EARSOR, ERASOR2

Décapant：（2020）

L'idée principale : projeter le cadre interrogé (scan) dans la carte (images de plage), puis comparer les images de plage du scan interrogé sous des contraintes de visibilité et utiliser le vote pour prédire les points dynamiques. Dans le même temps, afin de réduire les positions d'erreur, les images de distance sont utilisées pour restaurer des points dynamiques en points statiques dans des scènes à résolution dégradée, c'est pourquoi elles sont appelées Removet (supprimer et reconstruire).

ATTAQUE : (2021)

Prémisse : On suppose que l'objet dynamique est associé au sol. Je ne comprends pas encore très bien cet article. L'idée d'associer des objets dynamiques à des points au sol a également été évoquée dans l'article A Dynamic. Vous pourrez les regarder ensemble plus tard.
L'idée principale : comparer les ratios minimum et maximum de l'axe z de l'analyse de requête et de la carte. Si ce rapport vérifie le seuil, alors cette zone contient des points dynamiques, puis le bac dans cette zone est supprimé.
Inconvénients : Les valeurs minimales et maximales de la plage de l'axe z doivent être spécifiées séparément pour différents scénarios. Dans le même temps, certaines zones trop élevées peuvent dépasser la plage maximale de l'axe z.

Filtre dynamique : (2022)

front-end scac-to-map et back-end map-to-map Méthodes basées sur la visibilité et basées sur la carte
le front-end :
après avoir accumulé plusieurs images, suppression dynamique de points basée sur la méthode de visualisation : en cas d'angle d'incident important ou d'obstacles, la suppression des points statiques peut entraîner une dégradation et identifier de manière incorrecte les points statiques comme des points dynamiques. Une reconstruction des points statiques est donc nécessaire après la suppression. La méthode de reconstruction de points statiques frontale est ici relativement nouvelle, vous pouvez lire l'article pour l'apprendre.
le back-end :
l'article explique que, comme le système front-end uniquement est efficace lors de la suppression de séquences courtes, mais fonctionne mal lors de la suppression de séquences longues, une méthode de suppression back-end a été conçue pour compenser ce défaut.
Il existe un traitement d'angle d'incidence important dans le module back-end de cet article. En calculant l'angle d'incidence de chaque point, les nuages ​​de points plus grands que le seuil sont marqués comme points pseudo-occupés. Le point de pseudo-occupation le plus proche est utilisé comme limite visuelle, et tout point dépassant cette limite visuelle n'est pas pris en compte. Puisque la projection des rayons de ces points est incorrecte. (Cette idée est très similaire à un autre article)

Dynablox : (2023) Solution de cartographie de niveau inférieur Voxblox

• Idée principale : estimation des incréments avec une confiance élevée grâce à la perception, à l'estimation de l'état et à la cartographie pendant le fonctionnement du robot en ligne : l'idée principale est d'estimer les incréments avec une confiance réduite mais élevée en modélisant chaque zone d'espace libre. Ces régions à haut niveau de confiance sont ensuite utilisées pour amorcer des clusters d'objets dynamiques et lever l'ambiguïté des points dans les régions à faible niveau de confiance.
• Point d'innovation : les facteurs pris en compte par la méthode d'estimation incrémentielle à haute confiance comprennent : le nuage de points d'entrée, la modélisation du bruit du capteur (concentrez-vous sur la comparaison avec la méthode DUFOMap ci-dessous), la rareté des mesures, l'environnement dynamique et la dérive de l'estimation de l'état (cela peut également être comparé avec la méthode suivante).
• Sources d'erreur : bruit des capteurs, dérive d'état, inexactitudes dans les cartes des limites spatiales inexplorées.

Cet article est vraiment déroutant et de nombreux concepts ne sont pas très clairs.

DUFOMap : (2024) Basé sur UFOMap

Corrélation : La structure de voxels générée après le traitement du nuage de points dans UFPMap est utilisée dans le fonctionnement du nuage de points de DUFOMap. La projection de lumière est utilisée pour identifier les régions vides (utilisée par la suite pour distinguer les points statiques des points dynamiques).
Il y a une phrase dans l'article : Le champ de distance signé tronqué (TSDF) est une alternative à l'occupation. Les points dont la valeur TDSF dépasse le seuil sont divisés en « zones toujours libres », puis les points tombant dans cette zone sont appelés points dynamiques. L'idée est similaire à la méthode basée sur l'occupation.
● Point d'innovation : Comment identifier les points dynamiques :
○ Basé sur les régions vides identifiées, si elles sont à nouveau observées. Le bruit du capteur et l’erreur de positionnement sont également pris en compte. Comment prendre en compte les différences de pose et le bruit des capteurs en réduisant ou en élargissant la plage des régions vides.
○ Comparaison avec des implémentations de pointe basées sur plusieurs scénarios et plusieurs types de capteurs.
● Identifier les régions vides : Cet article mentionne :
○ Identifier la probalilistique de chaque voxel en fonction de l'occupation (Grilles d'occupation), en fonction des observations de cette région par tous les observateurs, ce qui signifie que cette région peut basculer entre libre et occupée.
○ Dans la méthode proposée dans cet article, des observations basées sur des nuages ​​de points radar à image unique sont utilisées et une nouvelle méthode étendue de projection d'éclairage est utilisée pour marquer les régions vides. Il n’est pas nécessaire d’accumuler des observations pour déterminer la région vide, et elle peut être rapidement déterminée sur la base d’une seule observation.
● Méthode de localisation et de compensation du bruit :
○ Utilisez une distance de Chebyshev pour la localisation, basée sur la première région de vide divisée, et définissez dp = 2.
○ Pour la compensation du bruit : définissez une distance ds = 0,2 m, et le voxel correspondant à la position 0,2 mètre devant le voxel concentré est également appelé un coup. Ma compréhension de cela n'est pas très précise. Si vous souhaitez apprendre, veuillez vous référer au texte original.

BeautyMap：（2024）

1. Représentez les nuages ​​de points sous forme de maillages binaires 3D et codez-les davantage dans des matrices 2D pour améliorer l'efficacité. Marquez les points dynamiques potentiels en comparant bit par bit l'image actuelle et la carte globale du nuage de points.
2. Suppression de points dynamiques.
3. Reconstruction de points statiques :