記事ディレクトリ
最近見たダイナミックSLAMに関する論文を、ほとんど理解できなかったのですがまとめてみました。
メソッドの分類:
- 学習ベース：
- 可視性ベース: Removet、ERASOR
a. 入射角の問題: 入射角のぼやけなど。
b. 障害物が現れた場合、動的ポイントを正しくフィルタリングできません。 - 占有マップベース: OctoMap (マッピング)、UFOMap (マッピング)、DUFOMap、Dynablox
a. 占有ベースの方法は、3D 環境では計算コストが高くなります。
上記 3 つの分類は次のように呼ぶこともできます。 - 外観に基づくセグメンテーション：
- スキャン間の変化検出：
- マップベースの変化検出：
オクトマップ：（2013）
● オクツリー構造により、グリッド構造の遅延初期化が可能になります。
● 情報はさまざまな解像度のオクツリーに保存できます。
Voxblox: (2016)
● SDF (符号付き距離フィールド) は、各ボクセル ポイントから最も近い障害物までの距離を表すため、軌道の最適化が加速されます。
● Voxblox は、事前にボクセル サイズを割り当てるのではなく、必要に応じて固定サイズのブロックを割り当てます。
UFOマップ：（2020）
この記事では、環境内に未知の領域が多すぎるという問題に主に焦点を当て、OctoMap と比較してマッピングのパフォーマンスが向上していますが、動的 SLAM ではありません。 （主に下記DUFOMapとの共同理解のため）
● 革新点：
○ 地図上の全州表示：占有、空き、不明。
○ データをオクツリーに融合するためのさまざまな方法を導入し、効率を向上します。
○ OctoMap ではマップの挿入/削除中に反復操作ができませんが、UFOMap はこの欠点を克服します。反復は許可されます。
○ OctoMap 関数のオクツリー解像度パラメータは不変ですが、UFOMap のオクツリー解像度パラメータは変更できます。
● 占有率の保存方法: 占有率は、オクツリーに対応するノードに保存されます (log-adds 占有率の値はノードに保存されます)。
● ノードの占有の分割方法:
空き、不明占有:
occ(n) < tf < occ(n) < to < occ(n)
● モートン コードは、このツリーの走査を高速化するために使用されます。空間点エンコード方式。
● 統合センサーで計測する点群：簡易インテグレーター、離散インテグレーター、高速離散インテグレーター 3 番目の方法はまだ理解できません。
オフライン方式: Removet、EARSOR、ERASOR2
削除：（2020）
主なアイデア: クエリされたフレーム (スキャン) をマップ (距離画像) に投影し、可視性の制約の下でクエリされたスキャンの距離画像を比較し、投票を使用して動的ポイントを予測します。同時に、エラー位置を減らすために、解像度が低下したシーンで距離画像を使用して動的ポイントを静的ポイントに復元します。そのため、Removet (削除して再構築) と呼ばれます。
アタック：（2021）
前提: 動的オブジェクトが地面に関連付けられていると仮定します。この記事では、動的オブジェクトと地上点を関連付けるという考え方についても、まだよく理解していません。後で一緒に見ることができます。
主なアイデア: クエリ スキャンとマップ マップの Z 軸の最小比率と最大比率を比較します。この比率がしきい値をチェックする場合、この領域には動的ポイントが含まれており、この領域のビンは削除されます。
欠点: Z 軸範囲の最小値と最大値は、シナリオごとに個別に指定する必要があります。同時に、高すぎる個々の領域が Z 軸の最大範囲を超える可能性があります。
ダイナミックフィルター：（2022）
scac-to-map フロントエンドとmap-to-map バックエンド 可視性ベースおよびマップベースのメソッド
フロントエンド:
いくつかのフレームを蓄積した後、視覚化メソッドに基づいて動的ポイント削除: 大きな入射角または障害物の場合、静的ポイントの削除は劣化を引き起こす可能性があり、静的ポイントが誤って動的ポイントとして識別される可能性があるため、静的ポイントは削除後に再構築する必要があります。ここでのフロントエンドの静的ポイント再構成手法は比較的新しいものなので、論文を読んで学ぶことができます。
バックエンド:
この記事では、フロントエンドのみのシステムは短いシーケンスを削除する場合には効果的ですが、長いシーケンスを削除する場合にはパフォーマンスが低下するため、この欠陥を補うためにバックエンドの削除方法が設計されたと説明しています。
この記事のバックエンド モジュールには大入射角処理があり、各点の入射角を計算することにより、しきい値より大きい点群が擬似占有点としてマークされます。最も近い擬似占有点が視覚的な境界として使用され、この視覚的な境界を超える点は考慮されません。これらの点の光線投影が正しくないためです。 (このアイデアは別の記事と非常に似ています)
Dynablox: (2023) 下位レベルのマッピング ソリューション Voxblox
- 主なアイデア: オンライン ロボット操作中の知覚、状態推定、およびマッピングによる高信頼度の増分推定: 中心となるアイデアは、各制限をモデル化することにより、減少しながらも高信頼度で増分を推定することです。これらの信頼性の高い領域は、動的オブジェクト クラスターをシードし、信頼性の低い領域内の点を明確にするために使用されます。
- 革新ポイント: 増分高信頼推定法で考慮される要素には、入力点群、モデリング センサー ノイズ (以下の DUFOMap 法との比較に焦点を当てます)、測定のスパース性、動的環境、および状態推定ドリフト (これは比較することもできます) が含まれます。以下の方法で）。
- エラーの原因: センサーのノイズ、状態のドリフト、未踏の空間境界マップの不正確さ。
この記事は非常にわかりにくく、多くの概念があまり明確ではありません。
DUFOMap: (2024) UFOMap に基づく
相関: UFPMap での点群処理後に生成されたボクセル構造は、DUFOMap の点群操作で使用されます。光の投影は、ボイド領域を識別するために使用されます (その後、静的な点と動的な点を区別するために使用されます)。
記事には次のような文があります: The truncated signed distance field (TSDF) is an Alternative to occupancy. TDSF 値がしきい値を超えるポイントは「常空きエリア」に分割され、このエリアに該当するポイントは動的ポイントと呼ばれます。この考え方は占有ベースの方法と似ています。
● イノベーションポイント: 動的ポイントを特定する方法:
○ 特定されたボイド領域に基づいて、それらが再度観察された場合。センサーノイズや位置誤差も考慮されます。ボイド領域の範囲を縮小または拡大することで、姿勢の違いとセンサー ノイズを考慮する方法。
○ 複数のシナリオと複数のセンサータイプに基づく最先端の実装との比較。
● 空白領域の特定: この記事では次について説明します。
○ すべての観察者によるこの領域の観察に基づいて、占有 (占有グリッド) に基づいて各ボクセルの確率を特定します。これは、この領域が空き領域と占有領域の間で切り替わる可能性があることを意味します。
○ 本論文で提案する手法では、レーダのシングルフレーム点群に基づく観測を利用し、ボイド領域のマーキングには照明投影の新たな拡張手法を利用する。ボイド領域を決定するために観測を蓄積する必要はなく、単一の観測に基づいて迅速に決定できます。
● 位置とノイズの補正方法:
○ 最初に分割されたボイド領域に基づいて、位置にチェビシェフ距離を使用し、dp = 2 を設定します。
○ノイズ補正の場合：距離 ds = 0.2m とし、集中ボクセルの 0.2 メートル手前の位置に対応するボクセルもヒットと呼びます。私の理解はあまり正確ではありませんので、興味のある方は原文を参照してください。
ビューティーマップ：（2024）
- 点群を 3D バイナリ メッシュとして表現し、さらにそれらを 2D マトリックスにエンコードして効率を向上します。現在のフレームとグローバル点群マップを少しずつ比較して、潜在的な動的ポイントをマークします。
- 動的ポイント削除。
- 静的点の再構築: