(一)SLAM闭环检测方法
-
传统特征点方法:
利用SIFT 等视觉特征进行对比闭环检测。受环境影响较大,往往会产生假阳性检测,且计算量大、效率低,在实际应用上存在较大的阻碍.
-
深层特征方法:
深度学习与 SLAM相结合,利用深层网络提取更加鲁棒的图像特征,提高闭环检测的可靠性和准确率.
- Gao 等 [8] 利用常规的图像特征选取图像块,再采用堆叠式去噪自编码器(SDA)进行深层特征提取,其闭环检测的效果优于传统的 FAB-MAP(fast appearance basedmapping) [9] 方法.
- Cascianelli 等 [10] 利用 Edge Box-es [11] 分割算法划分图像,在图像块中利用训练好的深层网络进行特征提取,从而实现“半语义”闭环检测.
- 其主要思路都是利用提前训练好的网络对图像特征进行提取.与传统视觉特征相比,深层特征在闭环检测中的表现更佳,是获得广泛认可的闭环检测手段之一.
- 深层特征的一项缺点是计算量较大,对计算设备的要求较高,而且难以构建合适的模型来存储维数较高的特征向量.
-
语义方法:
上一方法虽然用了神经网络但是也还是基于几何信息。与单纯依赖几何信息的方式相比,将语义信息引入闭环检测,可以产生更具辨识度的判别依据,有利于形成更准确的闭环检测.同时,与视觉特征和深层特征相比,利用语义信息对环境进行描述,可以有效简化环境信息的保存和对比的过程。目前语义信息主要通过