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，除了利用局部優化、全局優化等來調整之外，還可以利用迴環檢測來優化位姿。

什麼是迴環檢測？

迴環檢測，又稱閉環檢測，是指機器人識別曾到達某場景，使得地圖閉環的能力。說的簡單點，就是機器人在左轉一下，右轉一下建圖的時候能意識到某個地方是“我”曾經來過的，然後把此刻生成的地圖與剛剛生成的地圖做匹配。

迴環檢測成功

迴環檢測之所以能成為一個難點，是因為：如果迴環檢測成功，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。而錯誤的檢測結果可能使地圖變得很糟糕。因此，迴環檢測在大面積、大場景地圖構建上是非常有必要的 。

迴環檢測失敗

如何提升機器人迴環檢測能力？

那麼，怎麼才能讓機器人的迴環檢測能力得到一個質的提升呢？首先要有一個算法上的優化。

基於圖優化的SLAM算法

基於圖優化的SLAM 3.0 算是提升機器人迴環檢測能力的一大突破。

SLAM 3.0採用圖優化的方式進行建圖，進行了圖片集成與優化處理，當機器人運動到已經探索過的原環境時，SLAM 3.0可依賴內部的拓撲圖進行主動式的閉環檢測。當發現了新的閉環信息後，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（即進行圖優化），從而能有效的進行閉環後地圖的修正，實現更加可靠的環境建圖。

SLAM 3.0閉環檢測

SLAM 3.0環路閉合邏輯：先小閉環，後大閉環 ；選擇特徵豐富的點作為閉環點；多走重合之路，完善閉環細節。即使在超大場景下建圖，也不慌。

超大場景下的地圖閉合

詞袋模型

除了SLAM算法的升級和優化之外，現在還有很多系統採用成熟的詞袋模型方法來幫助機器人完成閉環，說的簡單點就是把

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

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

3、將這些詞典組織成樹的形式，方便搜索。

K叉樹字典

利用這個樹，就可以將時間複雜度降低到對數級別，大大加速了特徵匹配。

相似度計算

這種做法是從外觀上根據兩幅圖像的相似性確定迴環檢測關係，那麼，如何確定兩個地圖之間的相關性呢？

比如對於圖像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後取範數，即為： s(A,B)=||AB||s(A,B)=||AB||。但是由於一幅圖像在不同角度或者不同光線下其結果會相差很多，所以不使用這個函數。而是使用相似度計算公式。

這裡，我們提供一種方法叫TF-IDF。

TF的意思是：某特徵在一幅圖像中經常出現，它的區分度就越高。另一方面，IDF的思想是，某特徵在字典中出現的頻率越低，則分類圖像時的區分度越高。

對於IDF部分，假設所有特徵數量為n，某個節點的Wi所含的數量特徵為Ni，那麼該單詞的IDF為：

TF是指某個特徵在單副圖像中出現的頻率。假設圖像A中單詞Wi出現了N次，而一共出現的單詞次數是n，那麼TF為：

於是Wi的權重等於TF乘IDF之積，即：

考慮權重以後，對於某副圖像，我們可以得到許多個單詞，得到BOW：

（A表示某幅地圖）

如何計算倆副圖像相似度，這裡使用了L1範數形式：

深度學習及其他

除了上面的幾種方式之外，迴環檢測也可以建成一個模型識別問題，利用深度學習的方法幫助機器人完成迴環檢測。比如：決策樹、SVM等。

……

最後，當迴環出現以後，也不要急著就讓機器人停止運動，要繼續保持運動，多走重合的路，在已經完成閉合的路徑上，進一步掃圖完善細節。

繼續走重合之路，完善閉環細節

所以，迴環檢測的力量不可小覷哦~

閱讀更多 SLAMTEC思嵐科技 的文章

關鍵字: 算法 體育 檢測