기사 디렉토리
최근에 본 다이나믹 SLAM에 관한 논문을 대부분 이해하지는 못했지만 정리했습니다.
방법 분류:
- 학습 기반：
- 가시성 기반: Removet, ERASOR
a. 입사각 문제: 입사각 흐림 등.
b. 장애물이 나타나면 동적 포인트를 올바르게 필터링할 수 없습니다. - 점유 지도 기반: OctoMap(매핑), UFOMap(매핑), DUFOMap, Dynablox
a. 점유 기반 방법은 3D 환경에서 계산 비용이 많이 듭니다.
위의 세 가지 분류는 다음과 같이 불릴 수도 있습니다. - 외관 기반 세분화:
- 스캔 간 변경 감지:
- 지도 기반 변경 감지:
옥토맵：（2013）
● 옥트리 구조는 그리드 구조의 지연된 초기화를 허용합니다.
● 정보는 다양한 해상도의 옥트리에 저장될 수 있습니다.
Voxblox: (2016)
● SDF(signed distance field)는 각 복셀 포인트에서 가장 가까운 장애물까지의 거리를 나타내므로 궤적 최적화를 가속화합니다.
● Voxblox는 복셀 크기를 미리 할당하는 대신 필요할 때 고정된 크기의 블록을 할당합니다.
UFO맵：（2020）
본 글에서는 주로 환경에 알려지지 않은 영역이 너무 많다는 문제에 초점을 맞춰서 알려지지 않은 영역의 매핑을 소개합니다. OctoMap에 비해 매핑 성능은 향상되었지만 동적 SLAM은 아닙니다. (주로 아래 DUFOMap과의 공동이해를 위함)
● 혁신 포인트:
○ 지도에 모든 상태 표시: 점유, 자유, 알 수 없음.
○ 옥트리에 데이터를 융합하는 다양한 방법을 도입하여 효율성을 높였습니다.
○ OctoMap은 지도를 삽입/삭제하는 동안 반복 작업을 허용하지 않으며 UFOMap은 이러한 결함을 극복합니다. 반복이 허용됩니다.
○ OctoMap 함수의 옥트리 해상도 매개변수는 변경할 수 없지만 UFOMap의 옥트리 해상도 매개변수는 변경할 수 있습니다.
● 점유 저장 방식: 옥트리에 해당하는 노드에 점유가 저장됩니다(로그 추가 점유 값이 노드에 저장됨).
● 노드 점유를 나누는 방법:
비어 있음, 알 수 없음 점유:
occ(n) < tf < occ(n) < to < occ(n)
● 이 트리의 순회 속도를 높이기 위해 Morton 코드가 사용됩니다. 공간 포인트 인코딩 방법.
● 통합 센서로 측정한 포인트 클라우드: 단순 적분기, 이산 적분기, 고속 이산 적분기는 아직 세 번째 방법을 이해하지 못합니다.
오프라인 방법: Removet, EARSOR, ERASOR2
제거:（2020）
주요 아이디어: 쿼리된 프레임(스캔)을 지도(범위 이미지)에 투영한 다음 가시성 제약 하에서 쿼리된 스캔의 범위 이미지를 비교하고 투표를 사용하여 동적 지점을 예측합니다. 동시에 오류 위치를 줄이기 위해 범위 이미지를 사용하여 해상도가 저하된 장면에서 동적 지점을 정적 지점으로 복원하므로 이를 Removet(제거 및 재구축)이라고 합니다.
공격: (2021)
전제: 동적 객체가 지면과 연관되어 있다고 가정합니다. 저는 아직 이 기사를 잘 이해하지 못합니다. 동적 객체를 그라운드 포인트와 연관시키는 아이디어는 A Dynamic 기사에서도 언급되었습니다. 나중에 함께 보실 수 있습니다.
주요 아이디어: 쿼리 스캔의 z축과 맵 맵의 최소 및 최대 비율을 비교합니다. 이 비율이 임계값을 확인하면 이 영역에 동적 포인트가 포함되고 이 영역의 빈이 제거됩니다.
단점: 시나리오에 따라 z축 범위의 최소값과 최대값을 별도로 지정해야 합니다. 동시에 너무 높은 개별 영역은 z축의 최대 범위를 초과할 수 있습니다.
동적필터：（2022）
scac-to-map 프론트 엔드 및 map-to-map 백엔드 가시성 기반 및 맵 기반 방법
프론트 엔드:
여러 프레임을 축적한 후 시각화 방법을 기반으로 동적 포인트 제거: 큰 입사각이나 장애물이 있는 경우, 정적 포인트를 제거하면 성능 저하가 발생할 수 있으며 정적 포인트가 동적 포인트로 잘못 식별될 수 있으므로 제거 후 정적 포인트를 재구성해야 합니다. 여기서 프런트 엔드 정적 포인트 재구성 방법은 비교적 새롭습니다. 논문을 읽고 배울 수 있습니다.
백엔드:
프런트엔드 전용 시스템은 짧은 시퀀스를 제거할 때 효과적이지만 긴 시퀀스를 제거할 때는 성능이 좋지 않기 때문에 이러한 결점을 보완하기 위해 백엔드 제거 방법이 설계되었다고 설명합니다.
본 기사의 백엔드 모듈에는 큰 입사각 처리가 있습니다. 각 점의 입사각을 계산하여 임계값보다 큰 점 구름을 의사 점유 점으로 표시합니다. 가장 가까운 의사 점유 지점이 시각적 경계로 사용되며 이 시각적 경계를 초과하는 지점은 고려되지 않습니다. 해당 점의 광선 투영이 올바르지 않기 때문입니다. (이 아이디어는 다른 기사와 매우 유사합니다)
Dynablox: (2023) 하위 수준 매핑 솔루션 Voxblox
- 주요 아이디어: 온라인 로봇 작동 중 인식, 상태 추정 및 매핑을 통해 높은 신뢰도로 증분 추정 Free-sapce: 핵심 아이디어는 각 여유 공간 영역을 모델링하여 감소하지만 높은 신뢰도로 증분을 추정하는 것입니다. 그런 다음 이러한 신뢰도가 높은 영역은 동적 개체 클러스터를 시드하고 신뢰도가 낮은 영역의 지점을 명확하게 하는 데 사용됩니다.
- 혁신 포인트: 증분 고신뢰도 추정 방법에서 고려하는 요소로는 입력 포인트 클라우드, 센서 노이즈 모델링(아래 DUFOMap 방법과 비교하는 데 중점), 측정 희소성, 동적 환경 및 상태 추정 드리프트(이 역시 비교 가능함)가 있습니다. 다음 방법으로).
- 오류 원인: 센서 소음, 상태 드리프트, 미탐사 공간 경계 지도의 부정확성.
이 기사는 정말 혼란스럽고 많은 개념이 명확하지 않습니다.
DUFOMap: (2024) UFOMap 기반
상관관계: UFPMap에서 포인트 클라우드 처리 후 생성된 복셀 구조는 DUFOMap의 포인트 클라우드 작업에 사용됩니다. 빛 투영은 보이드 영역을 식별하는 데 사용됩니다(이후 정적 지점과 동적 지점을 구별하는 데 사용됨).
기사에는 다음과 같은 문장이 있습니다. TSDF(truncated signed distance field)는 점유의 대안입니다. TDSF 값이 임계값을 초과하는 포인트를 "영원한 자유 영역"으로 나누고, 이 영역에 속하는 포인트를 동적 포인트라고 합니다. 아이디어는 점유 기반 방법과 유사합니다.
● 혁신 포인트 : 동적 포인트 식별 방법 :
○ 식별된 보이드 영역을 기준으로 다시 관찰하면. 센서 소음과 위치 오류도 고려됩니다. 보이드 영역의 범위를 줄이거나 확장하여 포즈 차이와 센서 노이즈를 고려하는 방법.
○ 다중 시나리오 및 다중 센서 유형을 기반으로 한 최첨단 구현과 비교.
● 보이드 영역 식별: 이 기사에서는 다음 내용을 언급합니다.
○ 모든 관찰자가 이 영역을 관찰한 결과를 바탕으로 점유(점유 그리드)를 기반으로 각 복셀의 확률을 식별합니다. 즉, 이 영역이 비어 있는 영역과 점유된 영역 간에 전환될 수 있음을 의미합니다.
○ 본 논문에서 제안하는 방법에서는 레이더 단일 프레임 포인트 클라우드 기반 관측이 사용되며, 보이드 영역을 표시하기 위해 새로운 확장된 조명 투영 방법이 사용됩니다. 보이드 영역을 결정하기 위해 관측치를 축적할 필요가 없으며, 단 한 번의 관측만으로 빠르게 판별할 수 있습니다.
● 위치 및 소음 보상 방법:
○ 첫 번째 분할된 보이드 영역을 기준으로 위치에 대한 체비쇼프 거리를 사용하고 dp = 2로 설정합니다.
○ 노이즈 보상의 경우 : 거리 ds = 0.2m로 설정하고, 집중된 복셀 앞 0.2m 위치에 해당하는 복셀을 히트라고도 합니다. 제가 이해한 내용은 그다지 정확하지 않습니다. 학습에 관심이 있는 경우 원문을 참조하시기 바랍니다.
뷰티맵：（2024）
- 포인트 클라우드를 3D 바이너리 메시로 표현하고 이를 2D 매트릭스로 추가로 인코딩하여 효율성을 향상시킵니다. 현재 프레임과 글로벌 포인트 클라우드 맵을 비트별로 비교하여 잠재적인 동적 포인트를 표시합니다.
- 동적 포인트 제거.
- 정적 포인트 재구성: