移动机器人中常用地图

参考链接：https://zhuanlan.zhihu.com/p/346665590

1、尺度地图
具有真实的物理尺度，eg.栅格地图、点云地图，常用于SLAM、小场景路径规划
栅格地图时结构化且有序的，能够直接使用位置索引查询该位置状态，查询时间复杂度为O（1）。但栅格地图对场景进行密集的切分，内存占用较大。一种常用的栅格地图格式是PGM，PGM是Portable Gray Map的缩写。它是灰度图像格式中一种最简单的格式标准，在ROS中使用2D激光雷达和Gmapping功能包生成的栅格地图就是PGM地图，如下图：

Octo-map(八叉树地图)
对于三维地图，通过观察可以发现障碍物只是其中一小部分，我们可以使用一些特殊的数据结构来存储，比如八叉树(octree)。octree就是有八个子节点的树，是一种递归、轴对齐且空间间隔的数据结构，常用于3D数据的表达。

假设某个空间是一个立方体，这个立方体中有一个小障碍物，我们可以直接将这个立方体标记为占用状态，很显然这种方式太粗糙了，我们需要一种更精细的方法。当然可以使用三维栅格地图，将立方体分成很多个符合精度要求的小立方体，然后对障碍物所在的小立方体进行标记，但是占用内存太大，障碍物只是占据空间中很小一部分，很多空闲状态的立方体并不需要专门分配内存进行标记。

那么如何兼顾精度和内存呢？这时候就该祭出八叉树结构了。

可以将这个立方体分成八个小立方体，对包含障碍物的立方体继续进行分割，直到达到我们想要的精度为止。当某个节点的所有子节点都是占据、空闲或者未知状态时，我们可以将它和它的子节点全部剪掉，这样可以极大的减少占用的内存空间

但是Octomap不能直接使用索引进行查询，要按照树的结构进行递归查询，这也是一种牺牲时间换空间的方法吧。

能够减少内存的占用的地图形式还有Voxel Hashing。

Point cloud map(点云地图)
点云是一系列点的集合，使用不用方法得到的点云有不同的数据结构，根据激光测量原理得到的点云包含三维坐标和激光反射强度数据；根据视觉测量得到的点云数据包含三维坐标和颜色数据。根据点的稀疏程度不同，可以分为稀疏点云地图和稠密点云地图，稀疏地图主要用于机器人定位，稠密地图经过转换后可以导航，比较常用的转换方法是八叉树地图。

2、拓扑地图
不具备真实的物理尺度，只包含不同位置的连通关系和距离，常用于大规模的机器人路径规划
3、语义地图
在尺度地图上添加标签，常用于人机交互。高德地图

高精度地图可以为无人车提供的先验信息包括：道路曲率、航向、坡度和横坡角······

在开始引入之前，先提一下两个地图格式：

1. OpenDrive

一种逻辑描述道路网的开源格式，主要在仿真器领域使用。其中OpenCRG是路面特性描述格式。OpenDRIVE Manager (OdrManager) 管理如何读取数据。

2. NDS：Navigation Data Standard

汽车业导航数据库标准化的格式。二者之间的转换如下图：