如何进行三维动态视距的计算，所使用的是哪一种地图？

目录

1.SLAM直接提供的地图格式种类繁多（比如特征地图、点云地图、几何地图、栅格地图、拓扑地图等）

2.三维点云地图转二维栅格地图：

1.SLAM直接提供的地图格式种类繁多（比如特征地图、点云地图、几何地图、栅格地图、拓扑地图等）

参考引用：SLAM---地图_slam地图_loongembedded的博客-CSDN博客

尺度地图：具有真实的物理尺寸，如栅格地图、特征地图、点云地图；常用于地图构建、定位、SLAM、小规模路径规划。

拓扑地图：不具备真实的物理尺寸，只表示不同地点的连通关系和距离，如铁路网，常用于超大规模的机器人路径规划。

语义地图：加标签的尺度地图，公认SLAM的未来—SLAM和深度学习的结合，常用于人机交互。 其中对尺度地图进行补充说明，如下图所示。

不同算法构建的环境地图类型不相同，其应用的场景也不同。

地图包含的信息是运动规划模块的输入，因此从利于运动规划的角度分析，从地图重构效率、环境内容完整性及碰撞检测效率等方面对比了多种类型的地图。

栅格地图及特征地图是传统激光SLAM算法中常用的地图类型，常被应用于室内导航系统，能够较准确描述环境几何信息，但缺乏语义信息限制了机器人智能化水平。

几何语义地图可提供目标物体类型、空间形态及位置，以及机器人在地图中的位置，但目前仅能使用单一几何体，同时受到深度学习的计算需求与硬件计算能力制约。

表1

不同算法构建的环境地图类型不相同，其应用的场景也不同。

地图包含的信息是运动规划模块的输入，因此从利于运动规划的角度分析，表1从地图重构效率、环境内容完整性及碰撞检测效率等方面对比了多种类型的地图。

栅格地图及特征地图是传统激光SLAM算法中常用的地图类型，常被应用于室内导航系统，能够较准确描述环境几何信息，但缺乏语义信息限制了机器人智能化水平。

几何语义地图可提供目标物体类型、空间形态及位置，以及机器人在地图中的位置，但目前仅能使用单一几何体，同时受到深度学习的计算需求与硬件计算能力制约。

因此，构建、存储、运用一个可用、普适、简洁的语义地图，解决传统地图存在的冗余性、时效性问题，以提高机器人与不同环境的交互能力，是当前研究趋势之一。
 

1.1栅格地图概述

顾名思义，占据栅格地图构建算法当然构建的是栅格地图。

在开始讲解之前，我们要明确一些事情。 第一，构建栅格地图需要使用激光雷达传感器。 第二，激光雷达传感器是有噪声存在的，通俗的说，“不一定准”。 举个例子，机器人在同一位姿下的不同时刻，通过激光雷达对一个固定的障碍物的探测距离不一致，一帧为5m，一帧为5.1m，我们难道要把5m和5.1m的位置都标记为障碍物？这也就是使用占据栅格地图构建算法的原因。

       我们引入占据栅格地图（Occupancy Grid Map）的概念。我们将地图栅格化，对于每一个栅格的状态要么占用，要么空闲，要么未知（即初始化状态）。

关于占据栅格地图构建算法的引出、推导、演化，从下面的图片得出：

首先，我们假设 looccu = 0.9，lofree = -0.7。那么，显而易见，一个栅格状态的数值越大，就越表示该栅格为占据状态，相反数值越小，就表示改栅格为空闲状态。（这也就解决了此前文中提出的激光雷达观测值”不一定准”的问题）

即从世界坐标系转入栅格坐标系，每个栅格序号有x，y两个数字。这里与地图分辨率有关，比如说：地图分辨率为0.05，也就是1m用20个栅格表示。 例如：世界坐标系下机器人位置（1,1）对应栅格坐标系的（20,20）。 注意：世界坐标系与像素坐标系区分开来，他们之间的y轴方向相反，其他都一致，地图的显示使用的像素坐标系（栅格坐标系）。 （3）遍历该帧激光雷达数据的所有扫描点执行以下操作 计算每一个激光点击中栅格在像素坐标系下的栅格序号

从当前机器人位姿的栅格序号到该激光扫描点的栅格序号划线，找出所有空闲的栅格序号。

4、占据栅格地图构建算法c++实现

这里分享核心代码，具体算法功能包，可在公众号：小白学移动机器人，发送：栅格地图，即可获得。 本算法功能包，给出了详细的中文注释，是提升c++编程技能的阅读良品。

2.三维点云地图转二维栅格地图：

参考三维点云地图转二维栅格地图_点云地图转换成二维栅格地图_NarutoKAKA的博客-CSDN博客

（如下图即为三维栅格地图的效果图）