点云图和图图之间的关系

我最熟悉作为点云的SLAM映射，通常以矢量形式出现，如。我也了解如何使用EKF创建这样的地图。$<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$

今天，我遇到了.graph文件格式，正如您所期望的那样，该文件格式由顶点和边组成：

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

我知道矩阵和图之间存在联系（例如，邻接矩阵）。但是我不清楚地图的这种图形格式如何等效于我熟悉的点云地图。

有什么关系？顶点既是姿势又是地标？它们在全球参考框架中吗？如何从速度信息和距离/方位传感器中创建出来？在图谱图和点云之间有转换吗？

就像在文件格式的描述中所说的，它是基于图的SLAM方法。这些工作可以最大程度地减少姿势约束网络的误差。您可以这样考虑：有许多参考框架（您的顶点），然后您对这些框架之间的转换有所了解。这些转换与不确定性相关。姿势图优化框架（例如TORO，HogMan，G2O等）将在给定约束的情况下为您提供顶点位置的最大可能性。

用实际的机器人术语来说，这通常意味着：

• 每个机器人在时间姿势具有其自己的参考系，因此具有顶点$p_k$$k$
• 根据您的方法，还可以将地标添加为顶点。但是您不必。
• 每当您获得有关两个姿势之间关系的新信息时，就将其添加到约束图中。例如，里程表将为您提供和之间的转换。$p_k$$p_{k+1}$
• 如果您的方法基于地标工作，则可以向地标添加变换。如果仅知道地标的位置，则在变换的旋转信息上设置了很高的不确定性。
• 如果您的方法不了解地标，例如您拥有与ICP匹配的大型点云，则可以将ICP结果添加到约束图。

姿势约束通常存储为大小为稀疏矩阵，其中是图形中顶点的数量（再次是机器人的姿势和地标）。$n \times n$$n$

文件格式本身为VERTEX2（对于2D模型）和VERTEX3（对于3D模型）提供了顶点位置的初始猜测。您不能将两者混在一起。添加了约束，以便您指定由from_id和给定的参考帧（顶点）之间的变换to_id。该变换由下式给出任一EDGE2和EDGE3作为平移和旋转在欧拉角，以及不确定性的信息矩阵。在这种情况下，信息矩阵是变换向量的协方差矩阵的逆。$[x\, y \, z\, \text{roll}\, \text{pitch}\, \text{yaw}]$

根据您的框架，通常其中一个顶点会基于全局参考框架。

基于图的姿势图优化器被视为SLAM后端。如何根据范围数据生成约束是一个前端问题。这些讲义有一个很好的概述。

有一个论坛帖子，其中包含有关格式的更多澄清信息。看起来图节点的值是对自身姿势的初始估计，并且边缘对姿势约束进行编码，如信息过滤器（卡尔曼过滤器的对偶）所表示。

据我所知，这种地图格式仅包含自我姿势信息，不包括地标，因此不会从点云地图直接转换。