পয়েন্ট মেঘ মানচিত্র এবং গ্রাফ মানচিত্রের মধ্যে সম্পর্ক

9

আমি স্ল্যাম মানচিত্রের সাথে সর্বাধিক পরিচিত যারা পয়েন্ট মেঘ, সাধারণত মত ভেক্টর আকারে । । আমি EKF ব্যবহার করে কীভাবে এটির মতো মানচিত্র তৈরি করব তাও আমি বুঝতে পারি। $<x,y,\theta,f_{1x},f_{1y},...,f_{nx},f_{ny}>$

আজ আমি একটি অনুগ্রহ করে ফাইল ফর্ম্যাটটি পেলাম , যা আপনি প্রত্যাশা করবেন যে বিন্যাসে প্রান্ত এবং প্রান্তগুলি রয়েছে:

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

আমি জানি যে ম্যাট্রিক এবং গ্রাফগুলির মধ্যে একটি সংযোগ রয়েছে (উদাহরণস্বরূপ একটি সংলগ্ন ম্যাট্রিক্স)। তবে এটি আমার কাছে পরিষ্কার নয় যে কীভাবে মানচিত্রের এই গ্রাফ ফর্ম্যাটটি আমি পয়েন্ট ক্লাউড ম্যাপের সমান, যার সাথে আমি পরিচিত।

সম্পর্ক কী? উল্লম্বগুলি পোজ এবং ল্যান্ডমার্ক উভয়ই? তারা কি বিশ্বব্যাপী রেফারেন্স ফ্রেমে আছে? এটি বেগের তথ্য এবং একটি পরিসীমা / ভারবহন সেন্সর থেকে কীভাবে তৈরি হয়? গ্রাফ মানচিত্র এবং পয়েন্ট মেঘের মধ্যে কোনও রূপান্তর আছে?

slam mapping

— munk
সূত্র

4

ফাইল ফর্ম্যাটটির বর্ণনায় যেমন এটি বলা হয়, এটি গ্রাফ ভিত্তিক এসএলএএম পদ্ধতির জন্য। এগুলি কোনও ভঙ্গিমূলক নেটওয়ার্কের ত্রুটি হ্রাস করার বিষয়ে কাজ করে। আপনি এটি এইভাবে ভাবতে পারেন: এখানে অনেকগুলি রেফারেন্স ফ্রেম রয়েছে (আপনার শীর্ষগুলি) এবং তারপরে এই ফ্রেমের মধ্যে রূপান্তর সম্পর্কে আপনার জ্ঞান থাকবে। এই রূপান্তরগুলি একটি অনিশ্চয়তার সাথে যুক্ত। জাহির করা গ্রাফ অপ্টিমাইজেশান অবকাঠামো যেমন মত Toro , HogMan , G2O ইত্যাদি তারপর সীমাবদ্ধতার প্রদত্ত, আপনার প্রান্তবিন্দু পজিশনের সর্বোচ্চ সম্ভাবনা তোমাদের তা দেবেন।

ব্যবহারিক রোবট শর্তাবলী, এর সাধারণত অর্থ:

প্রতিটি রোবট পোজ করে সময় এর নিজস্ব রেফারেন্স ফ্রেম থাকে এবং তাই ভার্টেক্স $p_k$ $k$
আপনার কাছে যাওয়ার উপর নির্ভর করে আপনি শীর্ষস্থান হিসাবে ল্যান্ডমার্কগুলি যোগ করতে পারেন। আপনার অবশ্য দরকার নেই।
যখনই আপনি দুটি ভঙ্গীর মধ্যে সম্পর্কের বিষয়ে নতুন তথ্য পাবেন, আপনি এটিকে সীমাবদ্ধ গ্রাফটিতে যুক্ত করুন। আপনার odometry EG আপনার মধ্যে রুপান্তর একটি দেব এবং । $p_k$ $p_{k+1}$
যদি আপনার পদ্ধতির ভিত্তিতে ল্যান্ডমার্কটি কাজ করে, আপনি আপনার ল্যান্ডমার্কগুলিতে রূপান্তরগুলি যুক্ত করুন। আপনি যদি কেবলমাত্র আপনার ল্যান্ডমার্কের অবস্থানটি জানেন তবে আপনি নিজের রূপান্তরের ঘূর্ণন তথ্যের উপর একটি উচ্চ অনিশ্চয়তা স্থাপন করেছেন।
যদি আপনার পদ্ধতির কোনও ল্যান্ডমার্কগুলি না জানা থাকে, যেমন আপনার আইসিপির সাথে মেলে এমন বড় পয়েন্টক্লাউড রয়েছে, আপনি নিজের সীমাবদ্ধ গ্রাফটিতে আইসিপি ফলাফল যুক্ত করতে পারেন।

পোজ সীমাবদ্ধতাগুলি আকারের বিরল ম্যাট্রিক্স হিসাবে ব্যবহৃত হয় যেখানে আপনার গ্রাফের শীর্ষটি (আবার রোবট পোজ এবং ল্যান্ডমার্ক) এর সংখ্যা। $n \times n$ $n$

ফাইল ফর্ম্যাট নিজেই VERTEX2(2 ডি মডেলের জন্য) এবং VERTEX3(3 ডি মডেলের জন্য ) সাথে শীর্ষগুলি অবস্থানের জন্য প্রাথমিক অনুমান সরবরাহ করে । আপনি দুটি মিশ্রিত করতে পারবেন না। সীমাবদ্ধতাগুলি যুক্ত করা হয়েছে যাতে আপনি from_idএবং এর দ্বারা প্রদত্ত রেফারেন্স ফ্রেমগুলির (শীর্ষগুলি) মধ্যে রূপান্তর নির্দিষ্ট করে to_id। রূপান্তরটি উভয় দ্বারা EDGE2এবং EDGE3ইউলারের কোণগুলিতে অনুবাদ এবং আবর্তনের পাশাপাশি অনিশ্চয়তার তথ্য ম্যাট্রিক্স হিসাবে দেওয়া হয়েছে। এই ক্ষেত্রে তথ্য ম্যাট্রিক্স রূপান্তর ভেক্টর কোভারিয়েন্স ম্যাট্রিক্সের বিপরীত । $[x\, y \, z\, \text{roll}\, \text{pitch}\, \text{yaw}]$

আপনার কাঠামোর উপর নির্ভর করে সাধারণত একটি শীর্ষবিন্দু বৈশ্বিক রেফারেন্স ফ্রেমে গ্রাউন্ড করা হয়।

গ্রাফ ভিত্তিক পোজ গ্রাফ অপ্টিমাইজারগুলি এসএমএল ব্যাকেন্ড হিসাবে বিবেচিত হয়। আপনি কীভাবে সীমাবদ্ধতাগুলি তৈরি করেন যেমন আপনার কাছ থেকে ডেটা পরিসীমা ডেটা হ'ল একটি সামনের সমাপ্তির সমস্যা। এই বক্তৃতা নোটগুলিতে একটি দুর্দান্ত ওভারভিউ রয়েছে ।

— জ্যাকব
সূত্র

1

ফর্ম্যাটে আরও কিছু স্পষ্ট করে তথ্য সহ একটি ফোরাম পোস্ট রয়েছে। দেখে মনে হচ্ছে গ্রাফ নোড মানগুলি হ'ল আত্ম-পোজের প্রাথমিক অনুমান, এবং কলম ফিল্টারটির দ্বৈত তথ্য ফিল্টার দ্বারা প্রতিনিধিত্ব করা প্রান্তগুলি এনকোডের সীমাবদ্ধতা রয়েছে ose

আমি যা বলতে পারি তা থেকে, এই মানচিত্রের ফর্ম্যাটটিতে কেবল স্ব-ভঙ্গির তথ্য অন্তর্ভুক্ত রয়েছে এবং ল্যান্ডমার্কস নেই, সুতরাং পয়েন্ট ক্লাউড ম্যাপ থেকে সরাসরি রূপান্তর হবে না।

— surtur
সূত্র

1

ভঙ্গি তথ্য এবং ল্যান্ডমার্কের মধ্যে পার্থক্য সম্পর্কে দয়া করে স্পষ্ট করুন। সাধারণভাবে ল্যান্ডমার্কগুলি তাদের ভঙ্গিমা দ্বারা অনুমান করা হয়।

— জোশ ভান্ডার হুক

1

একসাথে স্থানীয়করণ এবং ম্যাপিং প্রক্রিয়া চলাকালীন, একজন সাধারণত পরিবেশের মধ্য দিয়ে চলার সাথে সাথে পরিবেশের বেশ কয়েকটি সনাক্তযোগ্য পয়েন্ট যা সাধারণত স্থিতিকাল হিসাবে ধরে নেওয়া হয়, সাধারণত তার নিজের অবস্থান এবং ওরিয়েন্টেশন সম্পর্কে অনুমানগুলি বজায় রাখে land ল্যান্ডমার্কগুলির জন্য সঠিক পোজ অনুমানগুলি নিজের ভঙ্গিতে অনিশ্চয়তা হ্রাস করতে সহায়তা করে এবং এর বিপরীতে। আমি যে তথ্যকে পোজ তথ্য হিসাবে উল্লেখ করছি তা হ'ল স্ব-ভঙ্গিতে বাধা ছিল, যদিও এগুলি সম্ভবত লক্ষণীয়ভাবে জড়িত গণনা থেকে উদ্ভূত হতে পারে।

— surtur