【SLAM】稠密建图的讨论与八叉树三维地图的构建

1.前言

我们已经讲过了单目相机构建稠密地图，当然，对于视觉，这是一个简单有效的办法，对于SLAM系统来讲，它还有很多不足。

> 稀疏地图反而更容易做导航，稠密地图作用一般是三维重建考虑的问题。

主要缺陷有如下几点：

1. 像素梯度
2. 深度参数
3. 图像投影
4. 多线程

我们接下来先讨论一下这些缺陷以及他的解决办法。

2.梯度与深度

1.像素梯度

对于极线约束，最简单就是使用单个像素的对比，找到最相似的一个作为匹配，但是这有很多误差，所以，诞生了使用块匹配作为匹配方式，虽然这个已经很大程度降低了他的误匹配率，但是任然不是一个很好的方法和解决方案。

比如，梯度问题，对于纹理明显的区域，他的像素梯度可以非常明显，但是，对于不明显的区域呢，比如白墙，天空等等。

这个问题依然需要更好的解决办法。

2.深度参数

在估计他的深度参数时，我们假设它是服从高斯分布的，但是，在实际系统中，它不一定服从高斯分布。

但是，深度有如下特点：

1. 非负性；
2. 广域性。

所以，很多研究者根据这两个特点，开发出逆深度这个概念，就是在深度估计时，使用逆深度假设服从高斯分布。

但这只是对于传统SLAM中，这是一个技巧，但是对于深度学习对于其的估计，通常得出的不再是逆深度了。

3.图像变化和多线程

1.图像变化

对于之前的块匹配，我们有一个前提，是只发生变化而没旋转变化，对于发生了旋转变化呢，就需要考虑图像间的变化而不是直接使用极线约束。

这里考虑的图像变化就是旋转矩阵和平移矩阵。

2.多线程

我们知道，上述的各种计算都是大批量的计算，但一个计算线程难以估计如此大规模的计算，对于实时性，这是个挑战。

但是多线程的计算可以大大缓解这个问题。

4.八叉树地图

>  把三维空间建模为许多个小方块（或体素）是一种常见的做法。如果把一个小方块的每个面都平均切成2片，那么这个小块就会变成同样大小的八个小方块。这个步骤可以不断的重复，直到最后的方块大小达到建模的最高精度。在这个过程中，把“将一个小方块分成同样大小的八个”看成”从一个结点展开成八个子节点”，那么整体从最大空间细分到最小空间的过程，就是一颗八叉树。整个大方块可以看成是根节点，而最小的块可以看作是“叶子节点”。于是在八叉树中，当我们由下一层结点往上走一层时，地图的体积就能扩大为原来的八倍。如果叶子结点的方块大小为1平方厘米，那么当我们限制八叉树为10层时，总共能建模的体积大约为8的10次幂立方厘米，也就是1073平方米。这足够建模一间屋子。由于体积与深度呈指数关系，所以当用更大的深度时，建模的体积会增长的非常快。

大家都应该了解二叉树的概念，一个节点，2个分支，而八叉树，顾名思义，就是一个节点，8个分支。

八叉树最大的优点就是它非常节约空间。

5.实践

//八叉树实例

int main( int argc, char** argv )
{
    if (argc != 3)
    {
        cout<<"Usage: pcd2colorOctomap <input_file> <output_file>"<<endl;
        return -1;
    }

    string input_file = argv[1], output_file = argv[2];
    pcl::PointCloud<pcl::PointXYZRGBA> cloud;
    pcl::io::loadPCDFile<pcl::PointXYZRGBA> ( input_file, cloud );

    cout<<"point cloud loaded, piont size = "<<cloud.points.size()<<endl;

    //声明octomap变量
    cout<<"copy data into octomap..."<<endl;
    // 创建带颜色的八叉树对象，参数为分辨率，这里设成了0.05
    octomap::ColorOcTree tree( 0.05 );

    for (auto p:cloud.points)
    {
        // 将点云里的点插入到octomap中
        tree.updateNode( octomap::point3d(p.x, p.y, p.z), true );
    }

    // 设置颜色
    for (auto p:cloud.points)
    {
        tree.integrateNodeColor( p.x, p.y, p.z, p.r, p.g, p.b );
    }

    // 更新octomap
    tree.updateInnerOccupancy();
    // 存储octomap, 注意要存成.ot文件而非.bt文件
    tree.write( output_file );
    cout<<"done."<<endl;

    return 0;
}

6.小结

这里，我们就讲完了，入门SLAM的最后一个知识点，相信大家对于SLAM系统有了全新的认识，从传感器数据、前端估计、后端优化、回环检测、地图重建。希望这一个系列可以帮助大家深入的理解相关的概念，但是研究人在不断探索，欢迎大家深入SLAM 方向，推动机器人感知领域的科技发展。