bshc.log
로그인
bshc.log
로그인
Global mapper
About_work
·
2024년 3월 25일
팔로우
0
0
global mapper
목록 보기
1/37
1. 여러가지 global map 형태(representation 방식)의 특징과 장단점
1.1. Point Clouds
3D 공간에서의 점들의 집합으로,
각 점은 XYZ 좌표와 추가적인 정보(RGB 값, 정규벡터 등)를 포함할 수 있음
장점:
직관적이고 간단한 데이터 구조.
고해상도의 환경 세부 정보 표현 가능.
데이터 처리 및 시각화 도구가 다양함.
단점:
데이터 양이 매우 방대함.
공간적 효율성이 낮아 대규모 환경에서 메모리 요구량이 큼.
점군 간의 상호작용이나 관계를 직접 표현하기 어려움.
1.2. Map Grids / Occupancy Grids / Voxel
Map Grids 또는 Occupancy Grids는 환경을 일정한 크기의 격자로 나누고, 각 격자 셀이 점유되었는지 또는 빈 공간인지를 표시
이 방식은 2D 또는 3D로 구현될 수 있으며, 3D 점유 격자는 종종 복셀(Voxels)이라고 함
장점:
공간을 균일하게 표현하여
계산 및 검색이 용이.
크기와 점유 여부 정보로 간단한 내비게이션과 충돌 회피에 유용.
메모리 사용량을 조절하기 위해 멀티 해상도 접근법을 적용할 수 있음.
단점:
세부 정보 표현에 한계가 있음.
공간 해상도에 따라 성능이 크게 달라짐.
빈 공간과 점유 공간의 이진 구분으로 인해 정보 손실 가능성이 있음.
1.3. 쿼드 트리(Quadtree)
쿼드 트리는 2차원 공간을 재귀적으로 네 개의 동등한 사분면으로 분할하여 관리하는 자료 구조
구조:
쿼드 트리의 노드는 최대 네 개의 자식 노드를 가질 수 있으며, 각 자식 노드는 부모 노드의 공간을 네 개의 구역(사분면)으로 나눕니다.
이 과정은 더 이상 분할할 수 없거나, 노드가 설정한 임계값(예: 요소의 수, 깊이)에 도달할 때까지 반복
1.4.2. 최적화 및 효율성
최적화:
쿼드 트리와 옥트리 모두 공간 분할의 깊이와 분할 기준을 조정함으로써 최적화할 수 있습니다.
이는 특정 응용 프로그램의 요구 사항과 데이터의 특성에 따라 달라질 수 있으며, 메모리 사용량과 검색 속도 사이의 균형을 맞추는 데 중요
쿼드 트리 VS grid map
쿼드 트리 장점
공간 효율성
: 쿼드 트리는 비어 있는 공간을 효율적으로 압축하여 저장할 수 있기 때문에, 특히
대규모 또는 희소한 환경에서 메모리 사용량을 크게 줄임
적응적 해상도
:
이는 로컬 영역의 세부 정보를 유지하면서도 전체 맵의 크기를 효율적으로 관리할 수 있게
단점
검색 성능
:
특정 조건에 맞는 데이터를 검색하는 경우, 그리드 기반 맵에 비해 상대적으로 검색 성능이 떨어질 수 있습니다.
모든 노드를 순회하거나 깊이를 따라 내려가야 하는 경우가 발생할 수 있기 때문입니다.
구현 복잡성
:
max_depth와 max_points 값에 대한 세심한 튜닝이 중요하다.
분할 기준의 한계
: 실세계의 복잡한 환경을 표현할 때, 균등하게 공간을 4분할하는 쿼드 트리의 접근 방식이 항상 최적의 해를 제공하지는 않습니다. (사각형이므로)
그리드 글로벌 맵의 장점
단순성과 일관성
: 그리드 맵은 구현이 단순하고, 모든 그리드 셀이 동일한 크기와 모양을 가지므로 처리 로직이 일관됩니다. 이는 맵의 해석과 사용을 용이
빠른 접근성
:
특정 위치의 데이터에 대한 접근이 O(1) 시간 복잡도로 이루어질 수 있음
.
이는 실시간 시스템에서 매우 중요한 이점입니다.
검색 및 업데이트 효율성
:
고정된 셀 구조 덕분에 특정 영역 내 데이터를 검색하거나 업데이트하는 과정이 매우 빠르고 효율적입니다.
그리드 글로벌 맵의 단점
메모리 사용량
:
모든 셀이 무조건적으로 메모리를 차지하기 때문에, 그리드 기반 맵은 큰 환경을 모델링할 때 상당한 양의 메모리를 소비할 수 있습니다.
특히 환경의 대부분이 빈 공간이라면, 이러한 메모리 사용은 매우 비효율적일 수 있음
해상도 고정
:
그리드 맵에서는 모든 셀이 동일한 크기를 가집니다.
이는 세밀한 해상도가 필요한 지역과 그렇지 않은 지역이 동일하게 처리되어, 해상도가 전체적으로 제한되거나,
불필요하게 높은 해상도로 인해 메모리 낭비가 발생할 수 있습니다.
쿼드 트리 대 그리드 맵: 선택 기준
환경의 복잡성과 동적 변화
:
환경이 복잡하고 동적으로 변화한다면, 쿼드 트리가 더 적합할 수 있습니다.
쿼드 트리는 필요에 따라 해상도를 조정할 수 있고, 특정 부분만을 대상으로 빠르게 업데이트할 수 있기 때문
메모리 사용과 성능 요구 사항
:
메모리 사용이 큰 걱정거리이고, 불규칙적인 데이터 분포를 가지는 대규모 환경을 다룬다면, 쿼드 트리가 더 효율적
반면, 작업이 간단한 데이터 접근과 빠른 업데이트에 중점을 둔다면, 그리드 맵이 더 나을 수 있습니다.
구현의 복잡성과 유지보수
:
구현의 단순성과 유지보수가 중요한 요소라면, 그리드 기반 맵이 더 매력적일 수 있습니다.
쿼드 트리는 고급 기능과 효율성을 제공하지만, 그만큼 구현과 관리가 더 복잡합니다.
2. global map에 RGB 이미지까지 함께 저장하기
2.1. 3D 포인트 클라우드와 연계된 RGB 이미지 데이터
이 방법은 3D 공간의 각 점에 대한 RGB 정보를 포인트 클라우드 데이터에 직접 연결하는 것입니다. 포인트 클라우드 각 점에는 3차원 공간의 위치(X, Y, Z)와 해당 점의 색상 정보(R, G, B)가 포함됩니다.
장점:
공간의 정밀한 구조와 시각적 정보를 동시에 제공합니다.
시각적 정보를 활용한 객체 인식 및 분류 작업에 유용합니다.
단점:
높은 데이터 양으로 인한 저장 공간 및 처리 능력의 부담이 증가합니다.
동적 환경 변화에 대한 실시간 업데이트가 요구될 경우, 처리 복잡성이 증가합니다.
2.2. 시맨틱 맵핑과 RGB 이미지의 연계 (좋은듯)
시맨틱 맵핑은 환경 내의 객체나 공간을 의미론적으로 분류하고, 이러한 정보를 RGB 이미지와 연계하는 방식
각 객체 또는 공간에 대한 시맨틱 태그와 함께 해당하는 RGB 이미지를 저장하여, 공간에 대한 더 풍부한 정보를 제공합니다.
장점:
공간에 대한 깊은 이해와 분석이 가능합니다.
다양한 응용 프로그램에서 공간 정보와 시각적 정보의 통합적 활용이 용이
단점:
시맨틱 분류 및 태깅은 고도의 인공지능 알고리즘을 요구
실시간 환경 변화에 대응하기 위해서는 지속적인 데이터 업데이트가 필요
3. global map에 temporal 정보까지 같이 저장하기
3.1. 3D 포인트 클라우드와 타임스탬프 통합
타임스탬프 정보 통합:
각 포인트 클라우드 데이터 세트에 타임스탬프를 추가하여, 데이터가 언제 취득되었는지에 대한 시간적 정보를 기록
이는 변화하는 환경을 기록하고, 시간에 따른 변화를 분석하는 데 유용
3.2. 데이터 저장 및 검색 구조
3.2.1.
4D space time cube 모델:
공간적 및 시간적 데이터를 통합하여 저장하는 효율적인 방법
이 모델은 X, Y, Z 좌표와 시간(T)을 축으로 하는 4차원 데이터 구조로, 특정 시간에 특정 위치의 환경 정보를 검색하는 데 유용
3.2.2.
데이터베이스 및 인덱싱:
시간적 정보와 함께 3D 데이터를 관리하기 위해, 고성능 데이터베이스 시스템을 사용하며, 공간적 정보를 효과적으로 검색할 수 있도록 고급 인덱싱 기술을 적용
예를 들어, R-트리, k-d 트리 또는 공간-시간 인덱스는 공간적 및 시간적 차원에서 빠른 검색을 지원
이러한 인덱싱 방법은 복잡한 쿼리를 실행할 때 데이터 접근 시간을 대폭 줄여주며,
특정 시간 범위 내에서의 공간적 조회나, 특정 지역에서의 시간적 변화 추적 같은 복잡한 질의를 신속하게 처리할 수 있음
3.3. 변화 감지 및 시간적 변화 추적
변화 감지 알고리즘:
환경의 변화를 탐지하고 기록하기 위해, 변화 감지 알고리즘을 적용할 수 있음
이러한 알고리즘은 연속적인 시간대의 데이터를 비교하여 변화된 부분을 식별
시간적 변화 데이터 모델링:
변화 감지 결과를 기반으로, 환경의 시간적 변화를 모델링하고 저장하는 방법을 개발
이는 변화의 유형, 범위, 시간 등을 포함할 수 있으며, 시간에 따른 환경 변화의 기록을 제공
이러한 정보는 환경의 역사적 변화를 분석하거나 미래의 변화를 예측하는 데 사용될 수 있음
4. global map에 decaying factor 까지 함께 고려하기
4.1. 데이터 저장 구조
4.1.1.
4D 스페이스-타임 큐브 모델 확장:
공간(X, Y, Z)과 시간(T)을 기반으로 하는 4D 큐브 모델에,
물체 클래스 정보
와
각 클래스별 감쇠 인자를 포함
시키는 추가 차원을 도입
이는 공간-시간 데이터 구조에 객체 인식 및 감쇠 정보를 통합하여, 특정 시간 및 위치에서의 객체 상태와 그 변화를 정밀하게 모델링할 수 있도록 합니다.
4.1.2.
옥트리(Octree)와 시멘틱 분할:
공간적 데이터를 효율적으로 저장하고 검색할 수 있는 옥트리 구조에, 객체 인식 정보(시멘틱 라벨)와 decaying factor를 추가
각 노드는 특정 물체 클래스에 속하는 포인트들과 해당 클래스의 감쇠 인자 값을 저장할 수 있으며, 시간이 지남에 따라 이 정보를 업데이트합니다.
4.2. 감쇠 인자(decaying factor)의 적용
감쇠 모델 정의:
물체 클래스별로 다른 감쇠 인자를 정의합니다.
예를 들어, 변화가 빈번한 객체(사람, 자동차 등)는 높은 감쇠 인자를, 상대적으로 정적인 객체(건물, 나무 등)는 낮은 감쇠 인자를 할당합니다.
이러한 인자는 시간에 따라 객체의 관련성이나 신뢰도를 감소시키는 데 사용
시간적 감쇠 처리:
시스템은 각 데이터 포인트의 타임스탬프와 현재 시간을 비교하여, 설정된 감쇠 인자에 따라 객체의 가중치나 신뢰도를 조정
이는 객체의 현재 상태를 더 정확하게 반영하며, 오래된 정보에 대한 의존도를 감소시킴
4.3. 데이터 관리 및 검색
시간적 및 공간적 쿼리 지원:
개발된 데이터 저장 구조는 시간적 및 공간적 쿼리를 모두 지원해야 함
예를 들어, 특정 시간 범위 내에서 특정 위치의 특정 물체 클래스에 대한 정보를 검색할 수 있어야 함
고성능 데이터베이스 사용:
대량의 3D 포인트 클라우드 데이터와 시간적, 감쇠 인자 정보를 효과적으로 관리하기 위해, 고성능 데이터베이스 시스템을 사용
데이터베이스는 고급 인덱싱 메커니즘을 제공하여, 빠른 데이터 검색과 업데이트를 지원해야 합니다.
About_work
새로운 것이 들어오면 이미 있는 것과 충돌을 시도하라.
팔로우
다음 포스트
Learning Spatiotemporal Occupancy Grid Maps for Lifelong Navigation in Dynamic Scenes
0개의 댓글
댓글 작성