回环检测是什么？解读SLAM算法中回环检测的意义

隨著路徑的不斷延伸，機器人在建圖過程中會存在一些累計誤差，除了利用局部優(yōu)化、全局優(yōu)化等來調(diào)整之外，還可以利用回環(huán)檢測來優(yōu)化位姿。

回環(huán)檢測是什么？

回環(huán)檢測，又稱閉環(huán)檢測，是指機器人識別曾到達某場景，使得地圖閉環(huán)的能力。說的簡單點，就是機器人在左轉(zhuǎn)一下，右轉(zhuǎn)一下建圖的時候能意識到某個地方是“我”曾經(jīng)來過的，然后把此刻生成的地圖與剛剛生成的地圖做匹配。

什么是回環(huán)檢測

回環(huán)檢測成功

回環(huán)檢測之所以能成為一個難點，是因為：如果回環(huán)檢測成功，可以顯著地減小累積誤差，幫助機器人更精準、快速的進行避障導航工作。而錯誤的檢測結(jié)果可能使地圖變得很糟糕。因此，回環(huán)檢測在大面積、大場景地圖構(gòu)建上是非常有必要的。

回環(huán)檢測是什么

回環(huán)檢測失敗

機器人回環(huán)檢測能力如何提升？

那么，怎么才能讓機器人的回環(huán)檢測能力得到一個質(zhì)的提升呢？首先要有一個算法上的優(yōu)化。

1、基于圖優(yōu)化的SLAM算法

基于圖優(yōu)化的SLAM 3.0 算是提升機器人回環(huán)檢測能力的一大突破。

SLAM 3.0采用圖優(yōu)化的方式進行建圖，進行了圖片集成與優(yōu)化處理，當機器人運動到已經(jīng)探索過的原環(huán)境時， SLAM 3.0可依賴內(nèi)部的拓撲圖進行主動式的閉環(huán)檢測。當發(fā)現(xiàn)了新的閉環(huán)信息后，SLAM 3.0使用Bundle Adjuestment(BA)等算法對原先的位姿拓撲地圖進行修正（即進行圖優(yōu)化），從而能有效的進行閉環(huán)后地圖的修正，實現(xiàn)更加可靠的環(huán)境建圖。

SLAM30.閉環(huán)

SLAM 3.0閉環(huán)檢測

SLAM 3.0環(huán)路閉合邏輯：先小閉環(huán)，后大閉環(huán) ；選擇特征豐富的點作為閉環(huán)點；多走重合之路，完善閉環(huán)細節(jié)。即使在超大場景下建圖，也不慌。

超大場景下建圖完整閉合過程

2、詞袋模型

除了SLAM算法的升級和優(yōu)化之外，現(xiàn)在還有很多系統(tǒng)采用成熟的詞袋模型方法來幫助機器人完成閉環(huán)，說的簡單點就是把幀與幀之間進行特征比配。

從每幅圖像中提取特征點和特征描述，特征描述一般是一個多維向量，因此可以計算兩個特征描述之間的距離；

將這些特征描述進行聚類（比如k－means），類別的個數(shù)就是詞典的單詞數(shù)，比如1000；也可以用Beyes、SVM等；

將這些詞典組織成樹的形式，方便搜索。

詞袋模型
利用這個樹，就可以將時間復雜度降低到對數(shù)級別，大大加速了特征匹配。

3、相似度計算

這種做法是從外觀上根據(jù)兩幅圖像的相似性確定回環(huán)檢測關(guān)系，那么，如何確定兩個地圖之間的相關(guān)性呢？

比如對于圖像A和圖像B，我們要計算它們之間的相似性評分：s(A,B)。如果單單用兩幅圖像相減然后取范數(shù)，即為： s(A,B)=||A−B||s(A,B)=||A−B||。但是由于一幅圖像在不同角度或者不同光線下其結(jié)果會相差很多，所以不使用這個函數(shù)。而是使用相似度計算公式。

這里，我們提供一種方法叫TF-IDF。

TF的意思是：某特征在一幅圖像中經(jīng)常出現(xiàn)，它的區(qū)分度就越高。另一方面，IDF的思想是，某特征在字典中出現(xiàn)的頻率越低，則分類圖像時的區(qū)分度越高。

對于IDF部分，假設(shè)所有特征數(shù)量為n，某個節(jié)點的Wi所含的數(shù)量特征為Ni，那么該單詞的IDF為：