视觉SLAM十四讲（十一）回环检测

十一、回环检测

11.1 回环检测的意义

前端提供特征点的提取和轨迹、地图的初值，而后端负责对所有的数据进行优化。若只像视觉里程计那样仅考虑相邻时间的关键帧，会使整个SLAM出现积累误差，无法构建全局一致的轨迹和地图。

虽然后端能够估计最大后验误差。但是，回环检测能够给出除了相邻帧的一些更加久远的约束。回环检测的关键：如何有效地检测出相机经过同一个地方。回环检测对于SLAM系统意义重大。一方面，它关系到我们估计的轨迹和地图在长时间下的正确性。另一方面，由于回环检测提供了当前数据与历史数据的关联，我们还可以利用回环检测进行重定位。因此，回环检测对整个SLAM系统精度与稳健性的提升是非常明显的。

11.2 回环检测的方法

最简单的方法就是对任意两幅图像都做一遍特征匹配，根据正确匹配的数量确定哪两张图像存在关联。

根据“哪处可能出现回环”，有两种思路：

1.基于里程计的几何关系

当我们发现当前相机运动到了之前的某个位置附近时，检测它们有没有回环关系。但是由于累计误差的存在，我们往往也无法正确地发现“运动到之前的某个位置附近”这个事实，回环检测也无从谈起。

2.基于外观

它和前端、后端的估计都无关，仅根据两幅图像的相似性确定回环检测关系。这种做法摆脱了累计误差，使回环检测模块成为SLAM系统中一个相对独立的模块，能够有效地在不同场景下工作，成为视觉SLAM中主流的做法。核心是如何计算图像间的相似性。

3.工程角度

利用GPS，可在室外提供全局的位置信息。在室内不好用。

11.1.3 准确率和召回率

准确率：算法提取的所有回环中确实是真实回环的概率。

召回率：在所有真实回环中被正确检测出来的概率。

通常他们是一对矛盾。

在SLAM中，我们对准确率的要求更高，而对召回率则相对宽容一些。由于假阳性的回环将在后端的位姿图中添加根本错误的边，有时候会导致优化算法给出完全错误的结果。相比之下，召回率低一些，顶多有部分的回环没有被检测到，地图可能受一些累积误差的影响，然而仅需一两次回环就可以完全消除他们。所以在回环检测算法时，我们更倾向于把参数设置得更严格，或者在检测之后再加上回环验证的步骤。

感知偏差（假阳性）：检测结果是而实际不是的。

感知变异（假阴性）：检测结果不是而实际是的。