摘 要：針對煤礦災害救災與信息探測機器人的自主導航問題，提出了一種用模塊化的
局部柵格地圖表示覆雜三維環境的地圖構建算法。該算法使用TOF 相機對三維環境信息
進行獲取，形成三維點雲座標矩陣。通過對座標陣中每個點進行計算，判斷座標點在局
部柵格地圖中的位置，創建新的局部柵格地圖，並對柵格單元佔據概率進行實時更新，
創建完整的全局環境柵格地圖。根據柵格單元中座標點的密度，對障礙物進行類型劃分，
確定通行區域與不可通行區域，簡化路徑規劃的算法。實驗結果和數據分析證明了本文
地圖構建方法的有效性和實用性。
可知此文是針對煤礦災難救災機器人的佔據柵格地圖構建算法，與自動駕駛的交通場景不同，而且傳感器用的是TOF相機，而非激光雷達。自動駕駛場景是一個複雜的、開放的、高動態場景，車輛高速行駛且周圍的柵格的佔據狀態實時變化，而且自車也只需要知道自己周圍的近距離柵格地圖，不需要也不可能得到全場景地圖。而煤礦災難場景則是幾乎封閉的、低動態場景，全局柵格狀態變化不多，機器人可以得到全場景地圖；車載激光雷達得到的點雲隨距離增大而稀疏，但TOF相機基本沒有這個特點。因此有些方法不可直接採用，但大致思路可以借鑑。故寫下這篇筆記。
個人認爲，這種模塊化思路在基於激光雷達的自動駕駛場景中並不需要。自動駕駛車輛可以只處理自車周圍的佔據柵格地圖，不需要記住之前行駛過的路段地圖。
該思路貌似可以在自動駕駛場景中借鑑
這裏我覺得theta角度標錯了！
我覺得符號錯了，應該是 theta - alpha， 而不是 + （角度正方向以逆時針爲正的話）
沒看懂公式（6）
總之這裏需要全局座標系以及自車在全局座標系中的座標。
這裏說，柵格中的點越多，被佔據的概率越大。這一點不適用於車載激光雷達。因爲車載激光雷達的點雲隨距離增大而變稀疏，用一定面積的柵格中點的個數來判斷障礙物沒有考慮距離的影響。但另一方面，如果只考慮車輛近距離的柵格地圖的話，此法也未嘗不可。另外，自動駕駛交通場景也可以考慮別的特徵，如柵格中的高度差，坡度甚至更復雜的特徵。腦洞：如果自動駕駛車輛實在需要大範圍的柵格地圖，是否可以採用變尺度柵格地圖？即遠距離柵格尺寸大，近距離則尺寸小。
由於TOF相機噪聲大，所以需要格外注意對數據進行濾波。激光雷達相對來說噪聲較小。如果也需要降噪處理的話，我想到了在柵格地圖上用矩形窗口滑動（聯想圖像CNN的卷積核滑動）判斷噪聲點和進行均值濾波的方法。
這裏只對有有效點的柵格進行概率累加，沒有對無點的柵格進行概率累減，這在封閉靜態環境如煤礦災難現場是可以的，但自動駕駛場景是開放的、高動態場景，某個柵格這一時刻被佔據，下一時刻可能就空閒了，因此需要進行減概率操作，才能跟上環境的實時動態變化。
此論文的算法流程圖如下
可以看出，此算法也是先將所有高度範圍以外的點（如地面點）去掉，再進行處理的方法，這樣節省計算量。但自動駕駛場景中，由於道路坡度起伏的影響，這樣簡單的處理對於小範圍有效，對於大範圍由於坡度的影響可能難以乾淨的去除地面點。但：自動駕駛車輛只考慮周圍小範圍（具體多大？前方60米？）；對於結構化道路，有國家標準規定的坡度上限。
所以，我想，自動駕駛中的柵格地圖需要考慮自車周圍的多大範圍？柵格的粒度（尺寸）多大？以及採用多少線的激光雷達也有重要影響。