【论文阅读】RAL2020: UFOMap An Efficient Probabilistic 3D Mapping Framework That Embraces the Unknown

Last edited time: March 31, 2023 1:30 PM

1. Motivation

主要是针对octomap的，framework去做对比和实验

  1. octomap 对于unknown space并没有进行表示，叶节点状态主要是 是否被占据的概率；而是这对于planning的碰检来说很重要
  2. 操作octomap是比较耗时而且有限的操作

Contribution

  1. 显示的进行 unknown space的表达
  2. 加速查找过程：Indicator values for the inner nodes summarizing the state of children for faster state based queries
  3. 加速traversal：Morton codes for faster traversal of the octree
  4. 给八叉树加了一种快速的raycasting方式：A fast ray casting approach for integrating data into the octree

  • voxel hashing：voxblox

    Voxblox builds on [13] where they use a spatial hashing scheme and allocate blocks of fixed size when needed

  • octree-based: OctoMap

    octomap对比于voxblox 可以更节约内存 or a fixed grid structure 保存在不同分辨率下的八叉树内

2. Method

ufomap基于octomap来看: 每一个node都有一个占据值 去标识是否 occupancy/free/unknown 保存的是log-odds occupancy value

A probabilistic occupancy value is used in order to better handle sensor noise and dynamic environments

与octomap相同的是，每一个node有的是它所有children中的最大占据值，方便路径规划

  • nope duberg大哥说 即使是空的 octomap 还是给了pointer，一个pointer是8个bits，所以他们只是空了 剪掉了 但是pointer没剪掉 所以这就是为什么下面实验中 ufomap可以省空间的原因，因为ufomap是一个pointer到一个array 里面是children 看下面framework介绍 因为这个问题是我看完全文问的

2.1 Framework

UFOMap 保存三个 indicators \(i_f,i_u,i_a\)

  • 前两个指示 这个是否是free/unknown，而被占据的不需要再单独给出一个 因为有 occupancy value；

    注意，当更新Octree时 indicator values 也会随着树向上传播 propagated upwards

  • 最后一个则是判断所有children是否是一样的，主要是在自动pruning被禁止时 可以有相同的功能

    自动pruning 意味着当数据被删除或者插入数据时，octree会自动pruned，而禁止他的主要原因是 我们想同时进行读取、插入和删除数据

    而此 indicators 也可以提高 traversing 整个树的效率，比如当我们仅寻找unknown space的时候

问题区

  • 不是 indicator 是 0/1 occupancy value是一个float值

  • [原文： \(i_a\) is useful in cases where automatic pruning has been disabled, but you still want the same behavior as if it were enabled. ]

    是的 原文里 有 同时进行访问 插入 删除的时候 会禁止，这种情况下 就由 我们手动指定什么时候做 prune

  • 不用管 用就行了

  • 感觉是的… 确认一下吧

    MK: 根据Fig 2图c感觉应该就是(~if) | (~iu)。图里没给if iu都是0的情况，但ia=1应该不需要找children了，而if iu都是0说明全occupied，应该还要找到d_max为止

2.2 Node

A. State 节点状态

OctoMap 的节点状态 如下表示：

\[\operatorname{state}(n)= \begin{cases}\text { unknown } & \text { if } n \text { is null pointer } \\ \text { occupied } & \text { if } t_o \leq \operatorname{occ}(n) \\ \text { free } & \text { else. }\end{cases} \]

  • occ(n) 表示了 node n的occupancy value
  • \(t_o\) 表示OctoMap里的阈值 value超过这个值 则意味着 occupied

而 UFOMap 里的节点状态 进行了一点扩充 加入了另一个 \(t_f\) 阈值 来只是如果超过小于此 则说明是free状态

\[\operatorname{state}(n)= \begin{cases}\text { unknown } & \text { if } t_f \leq \operatorname{occ}(n) \leq t_o \\ \text { occupied } & \text { if } t_o<\operatorname{occ}(n) \\ \text { free } & \text { if } t_f>\operatorname{occ}(n)\end{cases} \]

比如 设定 tf = 0.1 to=0.9，节点本身只有在确定自己是被占据/free的时候 才给状态 否则就是未知，这对于 exploration和reconstruction的任务 可以快速定位到 unknown 进行处理

再比如 设定 tf=0.5 to=0.9 则意味着 exploration algorithm 可以将注意力集中在 occupancy 区域. meaning you would target higher certainty about the occupied space.

  • 是的 因为前面的是 tf=0.1 to=0.9 所以是对free和occupied都 严格; tf=0.5 to=0.9的画 就是只对occupied严格了，duberg说他应该写一个only

B. Types

OctoMap： inner nodes and inner leaf nodes

UFOMap： inner nodes, inner leaf nodes, and leaf nodes. [多了一个leaf node]

以下为详细的解释：

  • inner nodes 是指所有 有 children 的 nodes，一个inner node里面包含：
    • log-odds occupancy value
    • three indicators [在前面提到的 \(i_f,i_u,i_a\) ]
    • 一个指向其children的指针数组 [a pointer to an array of its children]
  • inner leaf nodes，和上面那个完全相同，不通电在于 inner nodes 没有children 也就是 child pointer是一个空的指针 【这是OctoMap里面仅存在的leaf node】
  • leaf nodes 仅存储 log-odd value 对比 inner leaf node， leaf node 不可能会有children

下图是三个nodes的展示：

(b, c) 是 UFOMap的哈：

  • 从c顶端可以看到的 是 inner nodes 具有：log-odds value, indicators, 指向child pointer
  • 然后往下第二层，没有children 指针的那些都是 inner leaf nodes
  • 再往下最后一层 只有occupancy value是 leaf node

  • 名字 进行区分

    • the inner leaf nodes have no children, meaning the child pointer is a null pointer
    • Compared to an inner leaf node, it is not possible for a leaf node to have children.

    【我感觉是 区别应该是 是否有 indicators】

2.3 Morton codes

参考文献[15] 中文博客有一些解释：莫顿码：莫顿码是将多维数据转化为一维数据的编码

  1. 首先将 笛卡尔坐标系的 点云 \(c = (c_x,c_y,c_z) \in \R^3\) 转到 octree node的index tuple \(k=(k_x,k_y,k_z) \in \N^3_0\) ，其中 k的计算为：

    \[k_j=\left\lfloor\frac{c_j}{\text { res }}\right\rfloor+2^{d_{\max }-1} \]

  2. 如下图所示的通过交错表示 kj 的位，可以为 一个点云坐标闯进对应的 莫顿码 m

  3. 然后可以从根节点向下遍历到这个节点，原文 From the root node it is then possible to traverse down to the node by simply looking at the three bits of \(m\) that corresponds to the depth of the child and moving to that child

  • using code_t = uint64_t;
using depth_t = uint8_t;
/*!
	 * @brief Return the code at a specified depth
	 *
	 * @param depth The depth of the code
	 * @return Code The code at the specified depth
	 */
	constexpr Code toDepth(depth_t depth) const
	{
		code_t temp = 3 * depth;
		return Code((code_ >> temp) << temp, depth);
// (code_ >> temp) << temp
	}

    因为 右移左移 可以有设0，当然ufomap2.0【还没发布】已经做了更聪明的方式

    举个例子 [1111 1111] 经过 右移三位是 [1111 1]，然后左移三位[1111 1000] 所以还是有区别的

2.4 Integrating Point Cloud

终于 讲完了 不擅长的部分 虽然遗留的问题好像还是有点多 … 等等 问问duberg吧 作者在身边的好处就是这个 hhh

这一部分主要就是怎么根据点云进行生成occupancy value了，一共有三种方法 每一种都比前一种更快，但是更快的

  1. 参考 [17] 对于每一个点！ trace a ray 减少从 传感器出发点 到 终点hit point之间所有grid的occupancy value，然后hit point的地方 占用值增加 【Same in OctoMap】

  2. 对于点先进行离散化 如果多个点落在同一个grid里 对这一个grid只做一次 ray casting 【Same in OctoMap】

  3. Fast Discrete: ray casting 和 离散化 是在八叉树的不同深度进行的

    1. 简单的 ray marching 步长固定 为 深度 \(d\) 对应的分辨率
    2. Ray marching步骤一直执行到 \(n\) 的节点 [原文: Ray marching is performed untilnnodes, at thatresolution, away from the end node.]
    3. 从这里开始 我们会在 lower depth 进行ray marching 直到我们到达 depth 0 也就是 leaf node depth，但是不同于上面的固定步长，这里我们切换到方法二的ray casting

    其中 d 和 n 是可以调节的参数 用来平衡 效果和速度；举两个极端的例子：

    • d = 0的时候 也就是 在 leaf node 上的分辨率 也就是最小分辨率 那么就是方法二的
    • n = 0的时候 则是 只有在d的空间才会被赋值，比如 下图 f中 是不是橙色点后面还有紫色区域(free space)
    • 更多例子见下图

其中为了 补偿 occupancy value在方法三 遇到 larger surface 下降的情况，the clearing 会有一个因子 \(\frac{1}{2d+1}\)

在所有方法中 occupancy grid都是以最高分辨率进行的更新，因此三种ray方案在occupancy 下 几乎是一样的 如上图四的比较

问题区

  • 是指 这个分辨率 还没到 end node 也就是leaf node

3. Experiments

首先是关于区分 inner leaf node 和 leaf node ，因为OctoMap里面 他们都是一个 inner leaf node

从 [5] 中 我们得知 大多数 octree node 在OctoMap 里都是 inner leaf node [80-85%] 而在UFOMap里面 因为我们再次做了区分，所以这个值下降了71-81%，也就是说大部分节点 其实是leaf node，通过UFOMap的再次划分 即使是我们的树节点总数增加的情况下，也可以明显减少内存使用量 对比OctoMap 减少了三倍 【参考问题 ① 】

  • 因为实际上的octomap上存的虽然是空指针 但是一个指针 8bits, 即使空的 9*8=72，但是ufomap只需要一个pointer，也就是8个bits，然后指针指向children array开头，而octomap需要先做一个pointer指向parent的指针位置 然后再指向找到想到的那个children的pointer

图五则是不同的 ray 方案 也就是 2.4里提到的：

这里则是不同的操作的时间对比 主要和OctoMap对比

Other words

妙啊，然后有 作者Duberg 再旁边解释 也太爽了 hhhh 当然里面的解释还是我转述的哈，如果有啥不对的 不是Duberg哥的锅 是我的理解的锅

Duberg 大哥和我说 不用看内在代码 用就行了，寻思着 我写的C++技巧过多 你可能陷进去了

最后 February 22, 2023 更新一下用UFOMap做下游任务的一系列paper 现在ufomap的文档还没更新 所以使用者都是由作者手把手教学 hhh 等后面文档更新了 可能使用的人可以开始变得更多

赠人点赞 手有余香 😆；正向回馈 才能更好开放记录 hhh

posted @ 2023-04-01 00:41  Kin_Zhang  阅读(377)  评论(1)  编辑  收藏  举报