SLAM中的各种地图

1、地图的不同分类方式

地图有多种不同的分类方式，网上有不少帖子介绍各种各样的地图，但并没有非常完整的总结地图应该怎么分类。论文[1]中将地图分成以下几种：拓扑地图、度量地图、度量-语义地图和混合地图。我觉得按照这种方式进行归类相对比较科学。

1.1 拓扑地图

拓扑地图（Topological Map）使用节点和边来表示环境，其中节点表示重要位置（如拐角、门口），边表示这些位置之间的可达路径。拓扑地图注重表示环境的连接关系，而不是具体的几何细节。这种地图表示方法适用于大型、复杂环境中的高效路径规划和导航。个人简单理解为，是一种表示拓扑关系、不存在准确距离信息的地图，例如：我家地图是，客厅在中间，周围连着卧室、书房、厨房、卫生间，书房又连着阳台。

1.2 度量地图/尺度地图/几何地图

度量地图（Metric Map）或几何地图（Geometric Map）是SLAM种较为常用的一种表示方法，常见的点云（PointCloud）、八叉树地图（OctoMap）、栅格地图（Grid Map）等都属于度量地图，下一节会展开介绍。个人简单的理解为，能够从这个地图中获取具体的尺度信息，例如某个点距离某个点多远、XXX障碍物面积有多大。

根据地图的稠密程度，度量地图还可进一步分为：稀疏地图、稠密地图。稀疏地图例如视觉SLAM建立的特征点地图，是稀疏的，一般多用于自身定位而难以直接导航；而RGBD或LiDAR可以建立稠密地图。

根据地图是连续的还是离散的，还可进一步分为：离散地图、连续地图。栅格地图、体素地图（Voxel Map）就是典型的离散地图，把空间进行了划分，然后离散化表达；连续地图是采用高斯过程或者NeRF方式建立的地图。

离散地图（左）与连续地图（右）

1.3 语义地图

语义地图（Semantic Map）是包含了语义信息的地图，语义信息可以是物体的种类、姿态和形状等描述。例如，无人驾驶需要知道地图中那些是车道、哪些是障碍。需要注意的是，只要包含于语义信息就可以算是语义地图，尺度地图、拓扑地图也可以是语义地图。

带语义信息的点云地图（左）和带语义信息的拓扑地图（右）

1.4 混合地图与多层级地图

混合地图（Hybrid Map）是一种结合多种地图表示的地图，例如在大范围导航时，我们可能既需要拓扑信息（从客厅到卧室），又需要尺度信息（走多少米），这就需要混合地图。

分层级地图（Hierarchy Map）顾名思义，是多层次的地图表示，通过将环境信息组织成不同层次以提高数据管理和处理的效率。例如无人驾驶时，顶层地图表示全局的道路网络，底层表示局部的道路详细结构，可以理解成“分辨率”从粗到细的过程，以适应不同的任务需求。

2、尺度地图细分

2.1 特征地图

特征地图（Feature Map）是仅保留特征的地图，常见于视觉SLAM。一些场景，例如水下的定位放置一些标志物，这样建立的地图就是特征点地图。视觉SLAM一般提取特征点匹配后建立特征点地图。除了点特征意外，线特征和面特征也可以建立地图，但也属于是特征地图的一种。

左：水下声呐建立的声呐目标特征点地图；中：vSLAM建立的特征点地图；右：线+面特征地图

2.2 点云地图

点云地图（Point Cloud Map）是利用点云形式表示地图，常见的激光雷达SLAM建立的都是点云地图。

2.3 栅格地图

栅格地图（Grid Map）将空间划分为均匀的网格，每个网格存储一个值，表征地图的属性。一种常见的方式，用三种状态：占用、空闲、未知，表示某个栅格是否被占用，这种表达方式称作“占用栅格地图”（Occupancy Grid Map），机器人导航常用栅格地图，在“空闲”栅格中规划运动轨迹。

一般来说，栅格地图指的是二维平面地图。

2.4 体素地图

体素地图（Voxel Map）可以理解为三维的栅格地图，当然也包括占用体素地图（Occupancy Grid Map）。如果是无人机这类的导航，一般需要用到3D的栅格地图。和点云地图相比，体素地图的“分辨率”更低，对点云地图进行了离散化。

室内场景的占用栅格地图（左）和用于无人机导航的占用栅格地图（右）

2.5 高程地图

高程地图（Elevation Map）也称2.5D地图。如果是平坦地面、二维场景，用栅格地图就可以；如果是无人机，需要用到三维场景体素地图；但如果是无人车在非平坦路面运行、或者是四足/轮式机器人在野外的行进，需要对地形进行建模，常用的方式就是高程地图，例如经典的elevation mapping就是建立的高程地图[2]。在栅格地图的基础上增加了一个维度即高度。

2.6 神经辐射场地图

神经辐射场地图（Neural Radiance Fields, NeRF）是一种新兴的三维场景表示和渲染技术，通过神经网络隐式地表示三维空间中的颜色和密度场。其特点是高精度、连续表示、数据驱动。具体可参考[6]。

2.x 八叉树地图、ikdtree地图、哈希地图等

这些我认为不属于具体的地图表征形式，只是地图存储的数据结构。具体来说：

八叉树地图（Octree Map）是利用八叉树数据结构存储体素地图，可以节省数据存储空间。具体实现例如 OctoMap[3]
ikdtree地图是动态kd-tree的地图，存储的是原始点云形式，由Fastlio2[4]采用，专门用于处理点云数据的高效存储、增量更新和查询
哈希地图（Hash Map）使用哈希函数将二维或者三维空间坐标映射到哈希表中，用于存储和检索空间信息，节省存储空间，存取速度快，可以存储点云地图、体素地图

除此之外，还有其他改进例如i-octree[5]等，不展开介绍。

3、一些讨论

这里记录一些自己学习的困惑，或者其他地方的讨论。

3.1 为什么要关注地图的表示？

对于最基础的SLAM而言，实现了定位与建图任务就可以了。但问题是，建立的地图要干什么、如何服务后面的任务？如果不加以考虑、忽视建图，就完全是一个定位过程了。所以，需要根据后续任务决定建立什么地图。

3.2 无人驾驶的高精度地图是什么？

个人简单总结，就是：尺度地图的绝对坐标精度更高，所包含的道路交通信息元素丰富细致。按照第一部分的分类，应该数据多层级地图。

4、小结

本文整理了一些SLAM领域常见的地图，但并没有细致讨论每种地图的优缺点以及应用场景。

参考文献

[1] Survey on Active Simultaneous Localization and Mapping: State of the Art and New Frontiers

[2] GitHub - ANYbotics/elevation_mapping: Robot-centric elevation mapping for rough terrain navigation

[3] https://octomap.github.io/

[4] FAST-LIO2: Fast Direct LiDAR-inertial Odometry

[5] zhujun：【ICRA 2024】i-Octree：快速、轻量级的动态八叉树

[6] LONER: LiDAR Only Neural Representations for Real-Time SLAM

https://zhuanlan.zhihu.com/p/708050126