地图表示

地图分成两个模块：

• 地图装在数据的数据结构
• 地图信息融合方法

占用栅格地图

使用最为广范的是 Occupancy grid map 占用栅格地图

3D栅格地图

2D栅格地图

2.5d栅格地图

占用栅格地图的特点：

• 最稠密的
• 结构化的
• 直接坐标索引查询

栅格地图资源：https://github.com/ANYbotics/grid_map

八叉树地图（Octo-map）

数据结构

这样的地图数据结构的好处就是可以形成下面的数据类型

可以把上面的正方体考虑为房间，很多地方没有障碍物，则不需要分那么细，有障碍物的地方可以分的细一点。
这样可以减小计算资源消耗

八叉树地图特点：

• 稀疏的
• 结构化的
• 非直接坐标索引查询

基于八叉树的资源：
https://octomap.github.io


用八叉树表示点云地图示例

用八叉树表示不同分辨率点云物体

Voxel hashing(哈希表地图)

与八叉树的思想类似
Voxel的意思就是一个三维的grid
hashing 意思就是用哈希表的形式 把地图存储起来

上图是一个相机对一个障碍物曲面的观测，仅把在障碍物上的格子加入内存，如上面的蓝色和红色的正方格，具体加入内存的方式是用哈希表的方式，把格子的坐标xyz通过函数映射成哈希键值，有了哈希键值则可插入表中，相当于字典查询的方式，进行地图查询。

哈希表地图特点：

• 最稀疏的
• 结构化的
• 非直接坐标索引查询

Voxel hashing 的公开资源：https://github.com/niessner/VoxelHashing

这种地图用的最多的就是在基于RGBD深度相机，构建稠密的地图。

可以参考 infiniTAM的开源工程 http://www.robots.ox.ac.uk/~victor/infinitam/

点云地图

传感器最基本的，原始测量的一个集合。最大的特点就是无序的，不可以进行点索引的查找。

点云可以用来表示障碍物稠密的信息。

点云地图特点：

• 无序的
• 没有索引坐标
  
  点云资源 PCL ： http://pointclouds.org/

TSDF map

TSDF的全称是：Truncated Signed Distance Functions 截断的有符号距离函数地图（TSDF map ）

如上图，有一个相机在对环境进行一个观测，前方有一个曲面
TSDF会假设曲面和相机直接有一个距离场，相机和曲面之间的距离场里都是正直，表示点到障碍物距离最近的距离。
在曲面后面的，也有一个距离场，每个点也同样表示到障碍物最近的距离，但是是负值。
距离用不用的颜色表示，就形成了下面的图

Truncated 代表的是有截断的
意思就是：相机视场角之外的值是不关心的，并且障碍物距离范围一定的值才是关心的，距离远的点也是不关心的。所以上面的图在离相机很近和视场角之外的点，都没有形成颜色。

典型的应用是 OpenChisel
https://github.com/personalrobotics/OpenChisel 提供了完整的前端的相机信息融合到后端的出TSDF 地图的工程。

ESDF map

ESDF的全称是 Euclidean Signed Distance Functions 欧式带符合的距离函数

ESDF和前面说的TSDF的区别就是：ESDF没有截断，关心所有距离场的值

颜色越深，红色表示离障碍物越近，绿色表示离障碍物越远

开源工具有：

• VoxBlox 以尽量短时间建立 ESDF地图的工具
  https://github.com/ethz-asl/voxblox
• FIESTA 精度和性能超过VoxBlox
  https://github.com/HKUST-Aerial-Robotics/FIESTA
• TRR’s Local Map
  完整的无人机自主飞行资源，里面用到的相当于构建局部的ESDF地图，FIESTA相当于增量构建全局的ESDF地图
  https://github.com/HKUST-Aerial-Robotics/Teach-Repeat-Replan