SLAM本质剖析-PCL

0. 前言

在深入剖析了CeresEigenSophusG2O后,以V-SLAM为代表的计算方式基本已经全部讲完,但是就L-SLAM而言我们还差一块,那就是PCL、GTSAM点云计算部分我们还没有详细的去写,正好就这个时间,我想把这块坑给填完,来形成一整个系列,方便自己回顾以及后面的人一起学习。

1. PCL系统认知

PCL(Point Cloud Library) 是在吸收了前人点云相关研究基础上建立起来的大型跨平台开源C++编程库,它实现了大量点云相关的通用算法和高效数据结构,涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。支持多种操作系统平台,可在Windows、Linux、Android、Mac OS X、部分嵌入式实时系统上运行。如果说OpenCV是2D信息获取与处理的结晶,那么PCL就在3D信息获取与处理上具有同等地位,PCL是BSD授权方式,可以免费进行商业和学术应用。

如图PCL架构图所示,对于3D点云处理来说,PCL完全是一个的模块化的现代C++模板库。其基于以下第三方库:Boost、Eigen、FLANN、VTK、CUDA、OpenNI、Qhull,实现点云相关的获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。
在这里插入图片描述
而作为PCL的输入数据格式,一般我们默认使用.pcd的格式输出
pcd文件数据举例

VERSION .7                # 版本号
FIELDS x y z rgb        #  指定一个点可以有的每一个维度和字段的名字
SIZE 4 4 4 4                # 用字节数指定每一个维度的大小。例如:
TYPE F FFF                  # 用一个字符指定每一个维度的类型 int uint float
COUNT 1 1 1 1           # 指定每一个维度包含的元素数目
WIDTH 640                  # 像图像一样的有序结构,有640行和480列,
HEIGHT 480                # 这样该数据集中共有640*480=307200个点
VIEWPOINT 0 0 0 1 0 0 0     # 指定数据集中点云的获取视点 视点信息被指定为平移(txtytz)+四元数(qwqxqyqz)
POINTS 307200           # 指定点云中点的总数。从0.7版本开始,该字段就有点多余了
DATA ascii                    # 指定存储点云数据的数据类型。支持两种数据类型:ascii和二进制
0.93773 0.33763 0 4.2108e+06
0.90805 0.35641 0 4.2108e+06

文件头格式

每一个PCD文件包含一个文件头,它确定和声明文件中存储的点云数据的某种特性。PCD文件头必须用ASCII码来编码。PCD文件中指定的每一个文件头字段以及ascii点数据都用一个新行(\n)分开了,从0.7版本开始,PCD文件头包含下面的字段:

  • VERSION –指定PCD文件版本

  • FIELDS –指定一个点可以有的每一个维度和字段的名字。例如:
    FIELDS x y z # XYZ data
    FIELDS x y z rgb # XYZ + colors
    FIELDS x y z normal_xnormal_y normal_z # XYZ + surface normals
    FIELDS j1 j2 j3 # moment invariants

  • SIZE –用字节数指定每一个维度的大小。例如:
    unsigned char/char has 1 byte
    unsigned short/short has 2 bytes
    unsignedint/int/float has 4 bytes
    double has 8 bytes

  • TYPE –用一个字符指定每一个维度的类型。现在被接受的类型有:
    I – 表示有符号类型int8(char)、int16(short)和int32(int);
    U – 表示无符号类型uint8(unsigned char)、uint16(unsigned short)和uint32(unsigned int);
    F – 表示浮点类型。

  • COUNT –指定每一个维度包含的元素数目。例如,x这个数据通常有一个元素,但是像VFH这样的特征描述子就有308个。实际上这是在给每一点引入n维直方图描述符的方法,把它们当做单个的连续存储块。默认情况下,如果没有COUNT,所有维度的数目被设置成1。

  • WIDTH –用点的数量表示点云数据集的宽度。根据是有序点云还是无序点云,WIDTH有两层解释:
    1)它能确定无序数据集的点云中点的个数(和下面的POINTS一样);
    2)它能确定有序点云数据集的宽度(一行中点的数目)。

    注意:有序点云数据集,意味着点云是类似于图像(或者矩阵)的结构,数据分为行和列。这种点云的实例包括立体摄像机和时间飞行摄像机生成的数据。有序数据集的优势在于,预先了解相邻点(和像素点类似)的关系,邻域操作更加高效,这样就加速了计算并降低了PCL中某些算法的成本。
    例如:
    WIDTH 640 # 每行有640个点

  • HEIGHT –用点的数目表示点云数据集的高度。类似于WIDTH ,HEIGHT也有两层解释:
    1)它表示有序点云数据集的高度(行的总数);
    2)对于无序数据集它被设置成1(被用来检查一个数据集是有序还是无序)。

    有序点云例子: WIDTH 640 # 像图像一样的有序结构,有640行和480列, HEIGHT 480 #
    这样该数据集中共有640*480=307200个点 无序点云例子: WIDTH 307200 HEIGHT 1 #
    有307200个点的无序点云数据集

  • VIEWPOINT–指定数据集中点云的获取视点。VIEWPOINT有可能在不同坐标系之间转换的时候应用,在辅助获取其他特征时也比较有用,例如曲面法线,在判断方向一致性时,需要知道视点的方位,
    视点信息被指定为平移(txtytz)+四元数(qwqxqyqz)。默认值是:
    VIEWPOINT 0 0 0 1 0 0 0

  • POINTS–指定点云中点的总数。从0.7版本开始,该字段就有点多余了,因此有可能在将来的版本中将它移除。
    例子:
    POINTS 307200 #点云中点的总数为307200

  • DATA –指定存储点云数据的数据类型。从0.7版本开始,支持两种数据类型:ascii和二进制。查看下一节可以获得更多细节。
    注意:文件头最后一行(DATA)的下一个字节就被看成是点云的数据部分了,它会被解释为点云数据。

2. 消息转换

ros 消息转换为 pcl 点云

这部分是在激光SLAM中常用的输入处理方式,我们选取了Lego-LOAM中对velodyne的lidar做了区分处理的代码部分,以16线雷达为例,激光雷达通过16根雷达光束进行旋转扫描,从而得到一周360°的点云。velodyne的lidar对点云属于16线中的哪一线做了标记,这个标记被称为Ring index,其中的Ring表示环的意思。如果不是velodyne的lidar后面会通过计算得出点云属于哪个线束。因此保存点云的时候分别保存为"laserCloudIn"和"laserCloudInRing"中。

 void copyPointCloud(const sensor_msgs::PointCloud2ConstPtr& laserCloudMsg){
     // 1. 读取ROS点云转换为PCL点云
     cloudHeader = laserCloudMsg->header;
     // cloudHeader.stamp = ros::Time::now(); // Ouster lidar users may need to uncomment this line
     pcl::fromROSMsg(*laserCloudMsg, *laserCloudIn);
     // 2. 去除点云中的Nan points
     std::vector<int> indices;
     pcl::removeNaNFromPointCloud(*laserCloudIn, *laserCloudIn, indices);
     // 3. 如果点云有"ring"通过,则保存为laserCloudInRing
     if (useCloudRing == true){
         pcl::fromROSMsg(*laserCloudMsg, *laserCloudInRing);
         if (laserCloudInRing->is_dense == false) {
             ROS_ERROR("Point cloud is not in dense format, please remove NaN points first!");
             ros::shutdown();
         }  
     }
 }

下面是核心代码sensor_msgs::PointCloud2转到 pcl::PointCloud&ltpcl::PointXYZ>,从ros到pcl类型的转换,用到fromROSMsg方法。

 //输入的ros pointcloud2 类型
 sensor_msgs::PointCloud2 t_cloud;
 //输出的pcl 类型
 pcl::PointCloud<pcl::PointXYZ> t_pclCloud;
 pcl::fromROSMsg(t_cloud,t_pclCloud);

…详情请参照古月居

  • 3
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
建图是SLAM(Simultaneous Localization and Mapping,即同时定位与地图构建)中的关键技术之一。它是指在未知环境中,通过传感器获取的数据,包括激光雷达、摄像头等,根据这些数据构建出一个能够表示环境的三维或二维地图。 建图的目的是通过分析传感器数据,确定机器人在环境中的位置,并同时根据这些位置信息构建出地图。这个过程需要解决两个关键问题:定位和建图。 在定位问题中,机器人需要通过传感器的数据,确定自身在环境中的准确位置。这个问题可以通过运动模型和传感器测量数据进行估计。例如,机器人可以通过激光雷达扫描周围环境,利用激光的反射信息计算出自身的位置。 在建图问题中,机器人通过分析传感器数据,将环境的几何结构、边缘和物体等信息构建出来。这个问题可以通过提取特征点、边缘等进行建模和匹配,从而构建出地图。 在SLAM中,定位和建图是紧密相连的。定位问题需要准确的地图信息来进行位置估计,而建图问题则需要准确的定位信息来构建地图。因此,建图的准确性和可靠性对于SLAM系统来说非常重要。 建图技术的发展已经取得了很大的突破,包括基于激光雷达的点云建图、基于摄像头的视觉SLAM等。这些技术在机器人导航、无人驾驶等领域具有广泛的应用前景。 总之,建图是SLAM中的关键技术,通过分析传感器数据,确定机器人的位置并构建环境地图。建图技术的发展对于提高SLAM系统的精度和可靠性具有重要意义。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

敢敢のwings

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值