Z
i
k
e
Y
A
N
e
t
a
l
:基于
流的
S
L
A
M:基于
流
的
数据
处理
方法,基于流的跟踪方法是高效和可并行的
[2
,
23]
。然而,与具有解析解的基于矢量的匹配方法相
比,基于流的跟踪方法遭受类似于光流估计的非凸问题。小运动和亮度恒定性假设在现实中很容易
被违反。因此,良好的初始化(运动预测)对于基于流的跟踪方法至关重要,以避免在突然运动和
照明变化等情况下陷入局部最小值。
2.2
闭环检测
循环闭合检测的目的是找到与当前帧相比最相似的预先访问过的地方。因此,循环关闭状态用作强
制全局一致性的因素,并提供真正的 未知环境的拓扑结构
[8]
。通过查准率
-
查全率曲线评价了闭环
检测系统的性能。在实践中,
100%
的精确度是先决条件,因为误报会灾难性地破坏系统,更高的召
回率表明系统在不断变化的环境中更加强大。对于一个实时系统,闭环检测的计算时间是严格限制
的,虽然它是在后端执行。如图
3
所示,循环闭合检测的基本思想是构建一个存储顺序图像的数据
库,以便进行有效查找。
图
3 Glocker
等人的标准环检测示例
[36]
。首先将观察结果编码成紧凑的形式,然后与数据库进行有效的比较,以进行
最相似的图像检索。
2.2.1 标准外观法
对于
SLAM
问题中的环路检测任务,代表性的
FAB-MAP
[37]
和
DBoW 2
[27]
主导该领域。与流行的
SfM
方
法类似,这些算法利用词袋(
BoW
)模型将特征描述符空间离散化为分层树结构,即词汇表。然
后,每种类型的描述符被分类为词汇树上的一个单词。通过这种树结构的数据库,整个图像序列可
以量化和存储的复杂性,允许有效的检索。与特征描述符离散化相反,其他方法利用整个图像信息
以下采样形式
[38]
或随机化蕨类
植物
[36]
进行压缩。我们建议读者参考以前的工作
[39]
,
以全面回顾视觉位置
识别(图
4
)。
2.2.2
助流法
对于基于流的
SLAM
系统,增量更新是一个显著的特征。单词量化是即时构建和存储的,它保留了
环境的时空信息。然而,常用的方法
[27
,
37]
需要聚类或分类作为词汇构建的预训练过程。这提出了单
词量化可能不准确的问题,因为来自查询框架的单词与预定义的和环境相关的词汇表不一致。因
此,凝聚聚类策略被用于在线词汇制定
[42-45]
,其中词袋模型更适合实时状态。
与此同时,时间线索 到 进一步核实 检测 结果 的时间
439