suma++是一個語義slam,目的是利用語義移除動態信息，其中最重要的概念之一就是surfel地圖。我們熟悉點云的關鍵幀，即點云和一個旋轉平移矩陣來表示局部的地，而Surfel地圖創新的使用地圖中的點形成的面元為對象，以地圖一致性作為指標進行優化。

核心概念：

1 頂點地圖（VD）：t時刻點云P的球形投影（極坐標距離限制的點云原始數據）.

2 法向量地圖 （ND）:? 暫時理解為類似于圖片的雷達極坐標系投影(具體等看了代碼再補充)。

3 地圖視角 （VM&&NM）:將1,2投影到地圖上。（特征ICP更新位姿增量,累計位姿增量得到當前位姿）

4 面元被：地圖使用面元被表示，由一個位置，一個法向量和一個半徑，兩個時間戳（創建時間和最后一次更新時間）

5 穩定對數幾率：被維護使用一個二值貝葉斯濾波器來確定是否一個面元被考慮為穩定或者不穩定。

6 語義地圖：SD,RangeNet++語義分割每針的球形投影生成的范圍圖片，傳感器視角下逐點編號。（語義分割）

7 種子填充：算法為了減少語義編號誤差，在預處理內部，通過原始的語義掩碼Sraw,和對應的定點地圖VD,（在Sraw中每個像素的值是一個語義編號，在定點地圖中對應的像素包含最近3D點在雷達坐標系中的3d坐標。）首先移除在范圍d內的鄰居中存在至少一個不同語義編號的像素，組合該掩碼和定點深度信息，設置空白邊界像素為鄰居帶有標號的像素，如果對應點的距離是一致的，即小于某個閾值，即填充。總結步驟如下：

a)給定原始語義地圖，我們首先使用腐蝕來移除邊界標號，和一些錯誤的標號的區域，從而得到腐蝕掩碼。

b)類似最近點插值，我們通過鄰居標號填充腐蝕的標號來得到一個更加一致的結果。

8 語義濾除動態：我們用語義分割提供的編號來處理運動物體，即通過比較新觀測SD和地圖SM的語義一致性，在我們更新地圖時，如果編號是不一致的，我們假設那些面元屬于移動物體。這時我們增加一個懲罰項到穩定性中，在一些觀測后，我們可以移除不穩定的面元，

9 語義ICP: 首先通過定義最小化誤差函數，誤差項為頂點地圖，特別的，在ICP內部，我們計算殘差和權重：

10 其他概念：SuMa也執行了回環檢測及位姿圖優化來獲得全局一致的地圖。（即gtsam）

總結

以上是生活随笔為你收集整理的suma++笔记一的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。