读《针对复杂环境的模块化栅格地图构建算法》一文的总结与思考

摘 要：针对煤矿灾害救灾与信息探测机器人的自主导航问题，提出了一种用模块化的
局部栅格地图表示复杂三维环境的地图构建算法。该算法使用TOF 相机对三维环境信息
进行获取，形成三维点云坐标矩阵。通过对坐标阵中每个点进行计算，判断坐标点在局
部栅格地图中的位置，创建新的局部栅格地图，并对栅格单元占据概率进行实时更新，
创建完整的全局环境栅格地图。根据栅格单元中坐标点的密度，对障碍物进行类型划分，
确定通行区域与不可通行区域，简化路径规划的算法。实验结果和数据分析证明了本文
地图构建方法的有效性和实用性。

可知此文是针对煤矿灾难救灾机器人的占据栅格地图构建算法，与自动驾驶的交通场景不同，而且传感器用的是TOF相机，而非激光雷达。自动驾驶场景是一个复杂的、开放的、高动态场景，车辆高速行驶且周围的栅格的占据状态实时变化，而且自车也只需要知道自己周围的近距离栅格地图，不需要也不可能得到全场景地图。而煤矿灾难场景则是几乎封闭的、低动态场景，全局栅格状态变化不多，机器人可以得到全场景地图；车载激光雷达得到的点云随距离增大而稀疏，但TOF相机基本没有这个特点。因此有些方法不可直接采用，但大致思路可以借鉴。故写下这篇笔记。

个人认为，这种模块化思路在基于激光雷达的自动驾驶场景中并不需要。自动驾驶车辆可以只处理自车周围的占据栅格地图，不需要记住之前行驶过的路段地图。

该思路貌似可以在自动驾驶场景中借鉴

这里我觉得theta角度标错了！

 

我觉得符号错了，应该是 theta - alpha， 而不是 + （角度正方向以逆时针为正的话）

 

没看懂公式（6）

总之这里需要全局坐标系以及自车在全局坐标系中的坐标。

 

这里说，栅格中的点越多，被占据的概率越大。这一点不适用于车载激光雷达。因为车载激光雷达的点云随距离增大而变稀疏，用一定面积的栅格中点的个数来判断障碍物没有考虑距离的影响。但另一方面，如果只考虑车辆近距离的栅格地图的话，此法也未尝不可。另外，自动驾驶交通场景也可以考虑别的特征，如栅格中的高度差，坡度甚至更复杂的特征。脑洞：如果自动驾驶车辆实在需要大范围的栅格地图，是否可以采用变尺度栅格地图？即远距离栅格尺寸大，近距离则尺寸小。

由于TOF相机噪声大，所以需要格外注意对数据进行滤波。激光雷达相对来说噪声较小。如果也需要降噪处理的话，我想到了在栅格地图上用矩形窗口滑动（联想图像CNN的卷积核滑动）判断噪声点和进行均值滤波的方法。

这里只对有有效点的栅格进行概率累加，没有对无点的栅格进行概率累减，这在封闭静态环境如煤矿灾难现场是可以的，但自动驾驶场景是开放的、高动态场景，某个栅格这一时刻被占据，下一时刻可能就空闲了，因此需要进行减概率操作，才能跟上环境的实时动态变化。

 

 

此论文的算法流程图如下

可以看出，此算法也是先将所有高度范围以外的点（如地面点）去掉，再进行处理的方法，这样节省计算量。但自动驾驶场景中，由于道路坡度起伏的影响，这样简单的处理对于小范围有效，对于大范围由于坡度的影响可能难以干净的去除地面点。但：自动驾驶车辆只考虑周围小范围（具体多大？前方60米？）；对于结构化道路，有国家标准规定的坡度上限。

 

所以，我想，自动驾驶中的栅格地图需要考虑自车周围的多大范围？栅格的粒度（尺寸）多大？以及采用多少线的激光雷达也有重要影响。