CN113686600B - 一种旋耕机、开沟机性能鉴定装置 - Google Patents

Abstract

本发明公开了一种旋耕机、开沟机性能鉴定装置，其特征在于：包括无人机和搭载在无人机上的测量设备，所述测量设备包括：激光雷达，用于采集点云数据；惯性测量单元，与激光雷达固定安装在一起，同时与微型工控机电连接，用于采集激光雷达运动过程中的的角速度和加速度；微型工控机，所述激光雷达与微型工控机直接连接，或激光雷达通过无线交换机连接至微型工控机，将激光雷达采集的三维点云数据传输至微型工控机中并保存；微型工控机通过空间局域网与地面的移动控制终端相通信，传输三维点云数据给终端，实现点云数据的实时查看。本发明减轻了鉴定人员劳动强度，降低人为干扰。

Description

一种旋耕机、开沟机性能鉴定装置

技术领域

本发明属于图像处理技术领域，涉及一种旋耕机、开沟机性能鉴定装置及方法。

背景技术

在农机产品种类不断增加、保有量持续上升的同时，关于田间作业机械的鉴定检测工作的信息化与智能化水平偏低这一问题愈加明显。另外，在农业机械作业性能检测鉴定方面，传统的检测方法通常伴随着劳动强度大，人为干扰误差大、采集数据时间长，历史试验数据难以追溯等实际问题。因此，急需一种新手段替代传统检测方法，以提高农业机械性能试验鉴定的工作效率与测试精度。

旋耕机、开沟机是播种机的主要部件之一，其性能的好坏决定着播种机性能的优劣，因此，对旋耕机、开沟机的研究是国内外科研的重点，在试验室条件下和在试验田条件下的性能测试对旋耕机、开沟机的设计具有重要的意义。但目前对于旋耕机、开沟机性能的鉴定还仅仅依靠人为干扰、进行主观的性能判断，鉴于无人机技术及图像处理技术的飞速发展，对于旋耕机、开沟机性能的鉴定可以实现信息化、智能化、科学化和规范化。

发明内容

本发明所要解决的技术问题是，提供一种旋耕机、开沟机性能鉴定装置及方法，能够自动实现对旋耕机、开沟机的性能进行鉴定。

为解决上述技术问题，本发明提供一种旋耕机、开沟机性能鉴定装置，包括无人机和搭载在无人机上的测量设备，所述测量设备包括：

激光雷达，用于采集点云数据；

惯性测量单元，与激光雷达固定安装在一起，同时与微型工控机电连接，用于采集激光雷达运动过程中的的角速度和加速度；

微型工控机，所述激光雷达与微型工控机直接连接，或激光雷达通过无线交换机连接至微型工控机，将激光雷达采集的三维点云数据传输至微型工控机中并保存；微型工控机通过空间局域网与地面的移动控制终端相通信，传输三维点云数据给终端，实现点云数据的实时查看。

所述测量单元安装在无人机下方的搭载架中。

所述空间局域网包括与微型工控机连接的路由器，路由器连接无线交换机，无线交换机与地面的移动控制终端相通信。

激光雷达可采用VelodyneVLP-16激光雷达；

惯性测量单元可采用Xsens-MTi30-2A8G4型惯性测量单元。

本发明所达到的有益效果：本发明的旋耕机、开沟机性能鉴定装置，针对田间作业机械性能鉴定过程中存在的问题，以无人机为平台融合图像处理技术和点云建模技术研发新设备来提高田间作业机械性能鉴定的工作效率,利用无人机搭载激光雷达，对开好的沟进行扫描，处理点云数据，得到实景模型，最后计算出沟深，沟宽，浮土厚度等相关指标，判断开沟机的工作性能。参数实时采集，图像远程传输，历史试验数据存储和试验检测报告自动生成，弥补传统手段的局限性。

本发明的装置减轻了鉴定人员劳动强度，降低人为干扰，在对旋耕机、开沟机性能鉴定流程中数据安全和可追溯，提高鉴定效率，使农机检测认证走向信息化、智能化、科学化和规范化。

飞行平台由无人机充当载体提供飞行功能，将测控平台中的测量部分设备安装在无人机上，在地面上使用移动端控制无人机和激光雷达等测量设备，实现测控与飞控的结合。

附图说明

图1是本发明的一种旋耕机、开沟机性能鉴定装置的硬件及软件结构示意图；

图2是本发明的硬件组成框图；

图2a是表示激光雷达处于2m高度沟宽图；

图2b是表示激光雷达处于2m高度沟深图；

图3a高度为2米采集到的数据经过建模后示意图；

图3b高度为3米采集到的数据经过建模后示意图。

具体实施方式

实施例1

本发明的实施示意图如图1所示，本发明提供一种旋耕机、开沟机性能鉴定装置，包括无人机和搭载在无人机上的测量设备，所述测量设备包括：

激光雷达，用于采集点云数据；

惯性测量单元，与激光雷达固定安装在一起，同时与微型工控机电连接，用于采集激光雷达运动过程中的的角速度和加速度；

微型工控机，所述激光雷达与微型工控机直接连接，或激光雷达通过无线交换机连接至微型工控机，将激光雷达采集的三维点云数据传输至微型工控机中并保存；微型工控机通过空间局域网与地面的移动控制终端相通信，传输三维点云数据给终端，实现点云数据的实时查看。

激光雷达采集的点云数据，通过激光雷达自身携带的数据盒，连接网线传输给微型工控机，但是微型工控机只有一个网口，数量少，微型工控机还需要接入局域网，与地面终端建立局域网连接，所以需要无线交换机的网口进行通讯，这样既能将激光雷达的点云数据保存至工控机，又能使微型工控机通过空间局域网与地面的移动控制终端相通信，传输三维点云数据给终端，实现点云数据的实时查看。

所述测量设备安装在无人机下方的搭载架中。

所述空间局域网包括与微型工控机连接的路由器，路由器连接无线交换机，无线交换机与地面的移动控制终端相通信。

激光雷达可采用VelodyneVLP-16激光雷达；VLP-16是Velodyne公司出品的体积最小最轻便的三维激光雷达，保留了电机转速可调节的功能，能实时上传周围距离和反射率的测量值，测量距离最远可达100m，精巧的外观设计和轻微的重量使得安装非常方便，适合装配在无人机和移动机器人上；VLP-16每秒高达30万个点数据输出，垂直视场角度为±15°，水平视场扫描角度为360°。

所述惯性测量单元可采用Xsens-MTi30-2A8G4型惯性测量单元；将惯性测量单元用固定胶固定在激光雷达上方，用Tpye-C线将惯性测量单元和微型工控机相连接，用网线将交换机的分流口与激光雷达相连接，以获得激光雷达运动过程中的的角速度和加速度。

用固定胶将路由器和交换机固定在微型工控机上，用网线连接路由器和交换机，由交换机的分流口用网线连接到微型工控机，用来接收激光雷达传输到微型工控机的点云数据，微型工控机对点云数据进行相关处理；数据处理完成后，利用路由器和交换器搭成的空间局域网将所述数据传输给地面的移动控制终端，实时观察和控制激光雷达的工作时间。

本实施例中，无人机采用大疆经纬M600 Pro型号的无人机，在无人机下部加装台架来搭载测控平台，提供飞行保障，完成数据采集工作。M600 Pro无人机标配A3 Pro飞控，可靠性高，飞行稳定，支持第三方软硬件拓展，提供丰富接口，如双路电源扩展接口，4个CAN口和1个API数据接口。在飞行过程中提供主动散热功能，并拥有6Kg的最大承重量，可以携带本发明中所有硬件设备起飞。

图像采集前期工作：

旋耕机、开沟机性能测量参数包括：开沟深度、沟面宽度、沟底宽度、浮土厚度和开沟深度稳定性。

土地类型：黏土。

通过调整激光雷达的所处高度来进行数据收集，高度分别为2米和3米，采集到的数据经过建模如图3a与图3b所示,图中浅色部分为土地表面，深色部分为沟。

图像数据处理流程：

微型工控机对得到的点云数据进行数据处理，数据处理模块包括预处理模块、特征参数计算模块、SLAM图优化模块和三维重建模块四个程序模块。

点云预处理模块：原始采集的点云数据包含大量散列点和孤立点，导致生成具有不同点密度的点云数据集，对最终的参数计算没有正作用甚至增大测量误差，所以对原始采集的点云数据的散列点、孤立点进行滤波或剔除处理，得到符合设定标准的点云数据。

具体步骤包括：

点云去噪、点云配准、点云精简、点云分割、点云排序等。

点云去噪：采用高斯、平均值或者中值滤波算法进行点云去噪。由于在测量中采集设备和其他方面的因素，噪声是不可避免的，而噪声点对实体构建有很大的影响，故需要先进行消除噪声的工作。

点云配准：采用标签法进行点云配准，即在测量时贴上一些特征点，然后使用所述特征点进行定位，得到物体表面完整的点云数据。

点云精简：基于允许的误差范围内进行点云精简，否则会丢失有用数据信息，特别是尖锐角、棱线以及曲率变化大的区域，不同类型的“点云”采用不同的精简方式，散乱点可以采用随机采样、均匀网格、三角网格方法的任意一种，这里选取均匀网格法。多边形点云可采用等间距缩减、倍率缩减、等量缩减等；网格化点云可采用等分布密度法和最小包围区域法等。

所述均匀网格法，采用图像处理过程中广泛采用的中值滤波的方法，首先建立一个长方体包围盒封装数据点，所述长方体包围盒两两垂直的三条边分别与笛卡尔坐标系的三个坐标轴平行，根据测试点的数量和分布沿坐标轴方向将包围盒划分为边长为L的立方栅格(L取决于设定的简化率)，以计算个点所在的立体栅格；将任一栅格内的点组成一个表，进行精简时，每个栅格内只保留一个点，与保留的点最接近栅格中心的点作为取样点，以达到数据精简的目的，可以减少运算时间。

立体栅格的大小L取决于设定的简化率λ，简化率λ是指简化前后点数量的比值，确定简化率λ之后，立体栅格的边长L可由下式确定：

式中，A是长方体包围盒在3个坐标轴上的投影，N为简化前点云数据中点的数量。

点云分割：经过点云精简后，点云数据还是比较大，故考虑对整体点云进行分割，分割成小块的点云数据进行处理。采用PCL(PointCloud Library点云库)中基于RanSaC的点云分割方法，或者采用kdTree算法进行点云分割。

所述kdTree算法包括两个部分：1.建立kdTree；2.在kdTree中查找。建立kdTree实际上是一个不断划分的过程，首先选择最sparse的维度，然后找到该维度上的中间点，垂直该维度做第一次划分，此时k维超平面被一分为二，在两个子平面中再找最sparse的维度，依次类推知道最后一个点也被划分，形成一个不断二分的树。

点云排序：以就近原则或方向原则对排列无序的点云进行排序，使得点云在某一方面是有序的。

特征参数计算模块：用于提取关键点及提取特征参数。

在预处理后的点云数据集中提取关键点，关键点的位置必须稳定、可被重复探测，可以计算描述子和进行唯一的法向量估计。

提取关键点的步骤为：

(1)遍历每个图像点，通过寻找在近邻区域有深度突变的位置进行边缘检测；

(2)遍历每个图像点，根据近邻区域的表面变化确定一测度表面变化的幅度以及主方向，具体过程为：

a.将距离图像(range Image)中的点分为边缘点(borders point)和其它点(others point)；距离图像是指图像采集器到场景中各点的距离值作为像素值的图像，直接反应景物可见表面的几何形状；

b.利用PCL_Keypoints库里的range_Image模块range_image_border_extractor函数进行边缘检测，对于在距离图像range Image里的点，利用PCA主成分分析法计算法向量，得到主方向γ和方向幅值λ，对于边缘点γ是边缘方向，对于其它点γ是主曲率方向；

c.获取Parameters结构体对象，如果参数bool add_points_on_straight_edges为真(true)，则在空间竖直边的边缘处添加关键点，表示空间曲面变化大。

(3)根据步骤(2)找到的主方向计算关键点，设置候选关键点兴趣值下限(floatmin_interest_value)和float distance_for_additional_points参数，float distance_for_additional_points参数表示所有与最大兴趣值之间距离在distance_for_additional_points之内的点，如果兴趣值大于兴趣值下限，则该点为关键点候选点，表示所述主方向与其他方向的不同，以及该点的表面变化情况；

(4)对关键点候选点进行平滑滤波，得到滤波关键点候选点；

(5)对滤波关键点候选点进行无最大值压缩找到最终关键点，设置bool do_non_maximum_suppression参数，如果参数do_non_maximum_suppression的bool值为假(false)，则大于兴趣值下限(min_interest_value)的兴趣值的滤波关键点候选点加入最终关键点队列；PCL的pcl_keypoints库提供了几种常用的关键点检测算法，包括common、search、kdtree、octree、range_image、features、filters模块。

关键点是为了从距离图像(range Image)中识别出物体，关键点提取的作用是减少特征提取时的搜索空间，把特征提取的重点放在重要的结构上，所以先提取关键点，再提取特征参数。

提取特征参数的具体步骤包括：

1)获取关键点原始三维点云坐标，在FileReader函数中有关键成员函数virtualintreadHeader，利用关键成员函数提取出关键点的原始三维坐标，然后将三维坐标投影到二维平面上，利用主成分分析法提取关键点特征向量。所述主成分分析是一种降维方法，主要用于特征提取，数据可视化以及数据压缩等方面，假设三维空间中有一系列点，所述点分布在一个过原点的斜面上，如果用自然坐标系x,y,z的三个轴来表示所述点数据，需要使用三个维度，所述主成分分析是一种降维方法，通过降维将三维数据变换成二维数据，再从二维数据里面提取出特征参数，旋转自然坐标系x,y,z坐标系，使点数据所在平面与x,y平面重合，将旋转后的坐标系记为x',y',z'，所述点数据只用x'和y'两个维度表示，得到三个特征向量，即xoy面、yoz面、xoz面的特征向量；

2)将关键点点云原始三维坐标投影到三个特征向量，获得三个投影值，通过刚体变换，获得每个原始三维点云坐标点对应的投影坐标；

3)将全部投影坐标划分成三个二维平面，并将每个二维平面划分成N*N个网格区域，根据每个网格区域的特征因子获取每个网格区域的特征参数，采用估计点云的FPFH(Fast Point Feature Histogram)特征值获取特征参数，统计N*N个网格区域的特征参数，获得每个二维平面的特征参数。所述特征因子包括面积因子、深度因子、坐标因子、曲率因子、法线因子等。估计FPFH特征值在PCL中属于pcl_feature模块库的一部分。默认FPFH的实现要使用11个子区间进行统计。

首先，打开点云文件，估计点云的法线，也可以输入带法向量的点云(pcl::PointCloud<pcl::Normal>::Ptrnormals(newspcl::PointCloud<pcl::Normal>()))，创建FPFH估计对象fpfh，并把输入点云数据集cloud和法线normals传递给fpfh，然后创建一个空的Kd树tree，把tree传递给FPFH估计对象fpfh，再建立输入点云数据集cloud的Kdtree，输出点云数据集，设置相邻元素的半径，最后计算获取特征参数(fpfh.compute(*fpfh))。

4)根据每个二维平面的特征参数，提取点云模型的总特征值。

三维重建模块：使用激光雷达Velodyne VLP-16采集原始点云数据，对原始点云数据进行点云预处理和特征参数计算后，输出为.bag格式的文件包，将.bag文件包转化成pcd或者ply格式的文件，打开pcd文件或ply文件，采用VTK库(visualizationtoolkit库)提供的vtkSurfaceReconstructionFilter类实现隐式曲面重建。

所述vtkSurfaceReconstructionFilter类为实现隐式曲面重建方法，将曲面看作一个符号距离函数的等值面，符号距离函数是一种定义距离的函数，空间中每个点的符号距离函数为点到等值面内外边界的垂直距离，点在等值面内则符号为负，在等值面外符号为正，曲面内外点到等值面的距离值的符号距离函数相反，则零等值面即为所求的曲面；所述曲面重建方法先对点云数据进行网格划分，然后计算每个点的切平面和方向，并将每个点与最近的切平面距离作为表面距离，得到一个符号距离的体数据，使用vtkContourFilter函数提取零等值面即得到相应的网格；最后，将重建的曲面进行可视化处理，调用PCL中的pcl_visualization库，实现点云的可视化。

vtkSurfaceReconstructionFilter类算法流程如下：

(1)对每个点云关键点，设置Octree(八叉树)搜索关键点领域的其他关键点，使用特征参数提取计算出法线和法平面，初步确定关键点之间的法线关系。

(2)由于法线的方向有正负两个不确定方向，故使用最小生成树近似计算法线朝向，设置一个形参cost表示关键点之间的法线关系，min[1-cost]作为最小生成树的结点，将其它关键点的节点与最小节点相乘，结果小于0则表示关键点之间的法线方向相反；

(3)以立方格为单位，将三维模型划分成立方网格，计算每个格顶点到切平面的有符号距离；

(4)使用Marching Cube算法从立方格中提取等值面，通过步骤(3)得到等值点，将等值点连接成三角形或者多边形，再将得到的三角形和多边形连接，就得到了等值面。

SLAM图优化模块：图优化里的图就是姿态图，一个姿态图由若干个顶点(vertex)以及连接各顶点的边(edge)组成，如：一个机器人在房屋里移动，它在某个时刻t的位姿(pose)就是一个顶点，即待优化的变量，位姿之间的关系构成一个边，如时刻t和时刻t+1之间的相对位姿变换矩阵就是边，边通常表示误差项，姿态图构成后，通过调整机器人的位姿来满足边构成约束。

姿态图优化具体包括以下步骤：

(1)构建位姿图：激光雷达位姿作为顶点，位姿间关系作为边，称为前端；

(2)优化图：调整激光雷达的位姿(顶点)以满足边的约束，称为后端，使位姿的误差最小。

根据激光雷达的位姿来作为图的顶点，所述位姿来自激光雷达的编码器，通过ICP迭代最近点算法匹配得到位姿，位姿图的边即位姿之间的关系；由于误差的存在，实际上激光雷达建立的地形地貌的地图是不准的，通过设置边的约束，使得位姿图向满足边约束的方向优化，最后得到一个优化后的地图，与真正的地图接近。

处理结果实例

以某农场所采集的点云数据为例，现测量激光雷达高度为2米情况下的沟宽、沟深，如图3a和图3b所示，从上面两幅图片可以看到：当飞行高度在2米时，上沟宽为21.2cm，沟深14.3cm；当天实际测量值分别为20cm和17cm，误差为1.2cm和2.7cm。在点云数据充足，使得重建三维模型还原度高，该算法具有可行性，设计思路合理可靠，但误差略大，后续需要对建模算法优化以保证测量精度。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (6)

1.一种旋耕机、开沟机性能鉴定装置，其特征在于：包括无人机和搭载在无人机上的测量设备，所述测量设备包括：

激光雷达，用于采集点云数据；

惯性测量单元，与激光雷达固定安装在一起，同时与微型工控机电连接，用于采集激光雷达运动过程中的角速度和加速度；

微型工控机，所述激光雷达与微型工控机直接连接，或激光雷达通过无线交换机连接至微型工控机，将激光雷达采集的三维点云数据传输至微型工控机中并保存；微型工控机通过空间局域网与地面的移动控制终端相通信，传输三维点云数据给终端，实现点云数据的实时查看；

微型工控机对得到的点云数据进行数据处理，数据处理模块包括预处理模块、特征参数计算模块、SLAM图优化模块和三维重建模块；

点云预处理模块：对原始采集的点云数据的散列点、孤立点进行滤波或剔除处理，得到符合设定标准的点云数据；

特征参数计算模块：用于提取关键点及提取特征参数；

三维重建模块：提取特征参数后，输出为.bag格式的文件包，将.bag文件包转化成pcd或者ply格式的文件，打开pcd文件或ply文件，采用VTK库提供的vtkSurfaceReconstructionFilter类实现隐式曲面重建；

SLAM图优化模块：图优化里的图就是姿态图，一个姿态图由若干个顶点以及连接各顶点的边组成，对姿态图进行优化；

在特征参数计算模块中，提取关键点的步骤为：

（1）遍历每个图像点，通过寻找在近邻区域有深度突变的位置进行边缘检测；

（2）遍历每个图像点，根据近邻区域的表面变化确定一测度表面变化的幅度以及主方向；

（3）根据步骤（2）找到的主方向计算关键点，设置候选关键点兴趣值下限和floatdistance_for_additional_points参数，float distance_for_additional_points参数表示所有与最大兴趣值之间距离在distance_for_additional_points之内的点，如果兴趣值大于兴趣值下限，则该点为关键点候选点，表示所述主方向与其他方向的不同，以及该点的表面变化情况；

（4）对关键点候选点进行平滑滤波，得到滤波关键点候选点；

（5）对滤波关键点候选点进行无最大值压缩找到最终关键点，设置bool do_non_maximum_suppression参数，如果参数do_non_maximum_suppression的bool值为假，则大于兴趣值下限的兴趣值的滤波关键点候选点加入最终关键点队列。

2.根据权利要求1所述的旋耕机、开沟机性能鉴定装置，其特征在于：所述惯性测量单元安装在无人机下方的搭载架中。

3.根据权利要求1所述的旋耕机、开沟机性能鉴定装置，其特征在于：所述空间局域网包括与微型工控机连接的路由器，路由器连接无线交换机，无线交换机与地面的移动控制终端相通信。

4.根据权利要求1所述的旋耕机、开沟机性能鉴定装置，其特征在于：在步骤（2）中，具体过程为：

a.将距离图像中的点分为边缘点和其它点; 距离图像是指图像采集器到场景中各点的距离值作为像素值的图像，直接反应景物可见表面的几何形状；

b.利用PCL_Keypoints库里的range_Image模块range_image_border_extractor函数进行边缘检测，对于在距离图像range Image里的点，利用PCA主成分分析法计算法向量，得到主方向γ和方向幅值λ，对于边缘点γ是边缘方向，对于其它点γ是主曲率方向；

c.获取Parameters结构体对象，如果参数bool add_points_on_straight_edges为真，则在空间竖直边的边缘处添加关键点，表示空间曲面变化大。

5.根据权利要求1所述的旋耕机、开沟机性能鉴定装置，其特征在于：

提取特征参数的步骤为：

1)获取关键点原始三维点云坐标，在FileReader函数中有关键成员函数virtualintreadHeader，利用关键成员函数提取出关键点的原始三维坐标，然后将三维坐标投影到二维平面上，利用主成分分析法提取关键点特征向量，所述主成分分析是一种降维方法，通过降维将三维数据变换成二维数据，再从二维数据里提取出特征参数，得到三个特征向量，即xoy面、yoz面、xoz面的特征向量；

2)将关键点点云原始三维坐标投影到三个特征向量，获得三个投影值，通过刚体变换，获得每个原始三维点云坐标点对应的投影坐标；

3)将全部投影坐标划分成三个二维平面，并将每个二维平面划分成N*N个网格区域，根据每个网格区域的特征因子获取每个网格区域的特征参数，采用估计点云的FPFH特征值获取特征参数，统计N*N个网格区域的特征参数，获得每个二维平面的特征参数；

4)根据每个二维平面的特征参数，提取点云模型的总特征值。

6.根据权利要求1所述的旋耕机、开沟机性能鉴定装置，其特征在于：姿态图进行优化具体包括以下步骤：

(1)构建位姿图：激光雷达位姿作为顶点，位姿间关系作为边，称为前端；

(2)优化图：调整激光雷达的位姿以满足边的约束，称为后端，使位姿的误差最小。