ikd-tree

最新推荐文章于 2024-08-22 16:22:56 发布

灭了蚊子

最新推荐文章于 2024-08-22 16:22:56 发布

阅读量1.1k

点赞数 7

文章标签：算法数据结构

本文链接：https://blog.csdn.net/m0_74036895/article/details/138471474

版权

2.3.4 re-balancing再平衡

2.3.5 再平衡算法（重构）

先说一下kd-tree

1 kd-tree

1.1 定义

K-dimensional tree,一种高维索引树形数据结构，经常用于在大规模的高维数据空间进行最近邻查找

类似于K维二叉树，树中存储一些K维数据

1.2 步骤

1.3 缺点

数据为多维结构，不同树节点根据不同维度进行数据划分
父节点将所有数据划分至左右子树，叶子节点包含所有数据
使用于动态程度不高的数据，插入删除不方便
非动态增量式结构，每次都要重新构建kdtree
深度影响搜索速度，图的结构可能不平衡

理解：kd-tree的搜索速度与其深度有关，然而，很多SLAM方案都需要kd-tree来维护一个动态的local map，因此必然需要不断的插入新点，并删除过远过旧的点，导致kd-tree的平衡性遭到破坏。换言之，在kd-tree总点数不变的情况下，由于一些位置的点被删除、其他位置的点有新增，导致整个kd-tree树不平衡，进而导致搜索效率下降

针对上述现象，如果能构建一个增量式的动态kd-tree结构，能够自行调整树的结构、始终保持动态平衡，那问题就会迎刃而解。ikd-tree就做到了。

2 ikd-tree

2.1 原理

2.2 节点数据结构

Struct TreeNode:
    PointType point;//点坐标、强度信息
    TreeNode *leftchild,*rightchild;//左右节点指针
    int axis;//分割轴
    // 1.treesize：tree中所有节点的数量（树的大小）
    // 2.incailnum：tree中被标记为"删除"的节点数
    int treesize,incailnum;

    // 1.deleted：当前节点是否被标记为删除
    // 2.treedeleted：当前tree是否被标记为删除
    //   注意：是累积一定数量的点后统一删除
    bool deleted,treedeleted;

    // 子树上点的范围（长方体空间）
    // 用于排除不必要的点
    CuboidVertices ranges;
end

树的构建：与kdtree一样，都是根据对比均值方差，进行初始的构建

2.3 功能实现

2.3.1 插入

输入：下采样分辨率，新插入点P，是否重构建

Start

根据点P及其分辨率，找到该点在哪个体素里，记为C_D
找到体素的中心点P_center
将体素C_D内所有点记为V
将新点P放入V中
近邻搜索，找到体素内距离P——center最近的点
判断最近点是否为新点

Y：插入，并删除其余点

流程:

将整个空间体素化，并明确新点落入哪个体素（目标体素）
向ikd-Tree查询目标体素内是否已经有点以及有哪些点（查询过程参考box-wise delete）
如果已经有点了，将已有点和新点一起排序，找出离体素中心最近的那个点，然后做判断：【如果最近的点是已有点，意味着新点无必要再插入了，结束处理；如果最近的点是新点，则把已有点全部标记删除，并插入新点】
如果体素内尚不存在点，则直接插入新点

2.3.2 删除

策略

(1)删除:删除一个中间节点意味着该节点下方所以节点都要重构subtree,低效,所以增量式kd-tree基本采用lazy delete策略。

(2)lazy delete策略：删除一个节点时，先将其标记为“删除”，这些节点在KNN搜索时会被跳过，但在树形结构中它依旧存在，只有当tree结构被彻底重构时（低频），才会真的将这些节点从树结构中删除。

(3)box-wise delete策略:按区域批量删除点

为ikd-tree框定一个立方体区域,用于删除区域内所有的点
一旦机器人运动到区域边界，就将立方体沿着运动方向移动一定距离
实现删除区域外的点，引进新点
1. 判断是否处于灰色区域
2. 判断range是否与删除区域有交叉，有交叉就直接剪枝

下图为算法实现流程

1. 从根节点遍历每个节点，判断是否处于灰色区域内

Y：标记删除

2. 判断两个子节点的range是否与删除区域有交叉

N：剪枝

3. 重复上述操作，直至遍历完成，

4. 更新treesize、incalidnum、range、treedeleted

5. 在re-balancing环节再真正删除

2.3.3 搜索

(1)KNN & ranged-KNN搜索基本与常规 kd-tree相同,此处不再赘述

(2)补充:ikd-Tree 中充分利用了数据结构部分提到的 range信息 来进行剪枝加速，也即在每个节点处，除了计算节点本身与查询点的距离之外，也会分别判断左右两个子树的range 是否与目标解空间有重叠，只有有重叠的子树才会被继续递归搜索，没重叠的子树将直接被剪枝掉，实现搜索加速

2.3.4 re-balancing再平衡

目的：经过多次删除，树的结构可能变得不平衡。由于深度影响搜索速度，于是通过re-balancing平衡树的结构、减小深度

树的平衡性判断准则

$\alpha-balanced$

左右两侧最大不平衡容忍度
任意一个子树的规模不能大于特定比例
值越趋近于0.5,越容易被判定为不平衡

$\alpha-deleted$

最多容忍subtree中被标记为"删除"（无效节点的数量）的占比
任意一个子树中标记删除点的规模不能超过特定比例
值越小,容忍标记为删除点的比例越低

2.3.5 再平衡算法（重构）

在判断为不平衡的基础上,触发对subtree的重建。

(1)子树规模较小

(2)子树规模较大

当子树规模较大，重建时间花销不可忽略,若在主线程中执行重建，就会导致ikd-tree一直被占用，外部的SLAM算法无法访问ikd-tree执行查询或增删操作 —— 导致算法阻塞。

重建时间花销可以忽略，在主线程中直接重建
流程:重建时先把subtree的所有节点打乱重排，在这一过程中会拿掉标记删除的点；然后，对剩下的点按中值点法执行常规的kdtree构建过程；构建完成后，把新的子树替换到原来的位置
采用双线程策略，即将正在重建的tree的增删操作额外缓存到一个容器中，待额外线程中完成了重建后，再从容器把增删操作挪到新tree上。【主线程中依旧可以进行增删操作】