suma++笔记一

suma++是一个语义slam,目的是利用语义移除动态信息，其中最重要的概念之一就是surfel地图。我们熟悉点云的关键帧，即点云和一个旋转平移矩阵来表示局部的地，而Surfel地图创新的使用地图中的点形成的面元为对象，以地图一致性作为指标进行优化。

核心概念：

1 顶点地图（VD）：t时刻点云P的球形投影（极坐标距离限制的点云原始数据）.

2 法向量地图 （ND）:  暂时理解为类似于图片的雷达极坐标系投影(具体等看了代码再补充)。

3 地图视角 （VM&&NM）:将1,2投影到地图上。（特征ICP更新位姿增量,累计位姿增量得到当前位姿）

4 面元被：地图使用面元被表示，由一个位置，一个法向量和一个半径，两个时间戳（创建时间和最后一次更新时间）

5 稳定对数几率：被维护使用一个二值贝叶斯滤波器来确定是否一个面元被考虑为稳定或者不稳定。

6 语义地图：SD,RangeNet++语义分割每针的球形投影生成的范围图片，传感器视角下逐点编号。（语义分割）

7 种子填充：算法为了减少语义编号误差，在预处理内部，通过原始的语义掩码Sraw,和对应的定点地图VD,（在Sraw中每个像素的值是一个语义编号，在定点地图中对应的像素包含最近3D点在雷达坐标系中的3d坐标。）首先移除在范围d内的邻居中存在至少一个不同语义编号的像素，组合该掩码和定点深度信息，设置空白边界像素为邻居带有标号的像素，如果对应点的距离是一致的，即小于某个阈值，即填充。总结步骤如下：

a)给定原始语义地图，我们首先使用腐蚀来移除边界标号，和一些错误的标号的区域，从而得到腐蚀掩码。

b)类似最近点插值，我们通过邻居标号填充腐蚀的标号来得到一个更加一致的结果。

8 语义滤除动态：我们用语义分割提供的编号来处理运动物体，即通过比较新观测SD和地图SM的语义一致性，在我们更新地图时，如果编号是不一致的，我们假设那些面元属于移动物体。这时我们增加一个惩罚项到稳定性中，在一些观测后，我们可以移除不稳定的面元，

9 语义ICP: 首先通过定义最小化误差函数，误差项为顶点地图，特别的，在ICP内部，我们计算残差和权重：

10 其他概念：SuMa也执行了回环检测及位姿图优化来获得全局一致的地图。（即gtsam）