FAB_MAP算法的理论

目录

• FAB_MAP算法介绍
• 符号说明
• 理论解释

FAB_MAP算法介绍

  FAB_MAP是经典的回环检测算法，算法的核心是Chow Liu Tree理论。Chow Liu Tree是特殊的一种图。Chow Liu tree理论的本质是考虑各个随机变量的依赖关系。而广泛应用的朴素贝叶斯算法是假设随机变量都是相互独立的。

  利用Chow Liu Tree理论来拟合离散概率分布的效果比朴素贝叶斯理论更好。因此，FAM_MAP算法的效果也更好。

符号说明

  在SLAM系统中，构建map通常是渐进地进行。在时间点$k$，整个map是由$n_k$个地点(Location)构成的，记 L k = { L 1 , . . . , L n k } L^k=\{L_1,...,L_{n_k}\} Lk={L1​,...,Lnk​​}，这里的地点指的是连续帧中有代表性的帧。

  对于图像$I_k$，利用词袋模型可表示为$Z_k$，矢量量化后的形式为 Z k = { z 1   z 2 . . . z k } Z_k=\{z_1 \ z_2...z_k\} Zk​={z1​ z2​...zk​}
这里的$k$代表的是整个字典的聚类(cluster)的数量，也代表着$k$种特征。其中$z_k$是二元变量。

  想象一下，对于一张图像，计算机可以用$v$维特征$Z_k$进行表示。而对于实际的图像$I_k$，$I_k$可能只是由$m$维特征构成，剩下的$v-m$维都不存在，对应的$z_j=0(j=m+1,...,v)$。如果这样考虑，那么每个$z_j$都会对应一个隐变量$e_j$，$e_j$代表对应的特征实际存在或者不存在。

  在时刻$k$，整个特征集合 Z k = { Z 1 , . . . , Z k } Z^k=\{Z_1,...,Z_k\} Zk={Z1​,...,Zk​}。

理论解释

  在时刻$k$，有一特征集合$Z^k$，考虑此时能检测到回环$L_i$的概率$p(L_i|Z^k)$

  根据递归贝叶斯公式有：

$$p(L_i|Z^k)=\frac{p(Z^k|L_i,Z^{k-1})p(L_i|Z^{k-1})}{p(Z_k|Z^{k-1})}$$

考虑似然函数$p(Z^k|L_i,Z^{k-1})$

  假设地点当前的观测量与过去的观测量独立，所以有：

$$p(Z^k|L_i,Z^{k-1})=p(Z^k|L_i)$$

  根据Chow Liu 估计理论有;

$$p(Z^k|L_i)\approx p(z_r|L_i)\prod _{q=2}^{|v|}p(z_q|z_{p_q},L_i)\text{\hspace{1em}(1)}$$

  这里要说明的事，作者是利用Chow Liu Tree理论估计离散概率分布$p(z_1,...,z_v)$，整个概率分布是一颗树形结构，$z_r$是根节点，$z_{p_q}$是$z_q$的parent。

  考虑$p(z_q|z_{p_q},L_i)$，根据全概率公式有:

$$p(z_q|z_{p_q},L_i)=\sum _{s_{eq}}p(z_q|e_q=s_{eq},z_{p_q},L_i)p(e_q=s_{eq}|z_{pq},L_i)\text{\hspace{1em}(2)}$$

  假设$e_j$与$z_i$是独立的（$i\ne j$），$L_i$与$z_q$独立，所以式$2$可表达为：

$$p(z_q|z_{p_q},L_i)=\sum _{s_{eq}}p(z_q|e_q=s_{eq},z_{p_q})p(e_q=s_{eq}|L_i)\text{\hspace{1em}(3)}$$

  其中，$p(z_q|e_q=s_{eq},z_{p_q})=(1+\frac{\alpha }{\beta }{)}^{-1}$

$$\alpha =p(z_q)p(\overline{z_q}|e_q)p(\overline{z_q}|z_p)$$

$$\beta =p(\overline{z_q})p(z_q|e_q)p(z_q|z_p)$$

考虑先验概率$p(L_i|Z^{k-1})$

  作者把所以的地点分成两部分，一部分是已经观测过的$M$，一部分是没有观测过的$\bar{M}$。根据全概率公式有：

$$p(Z_k|Z^{k-1})=\sum _{m\in M}p(Z_k|L_m)p(L_m|Z^{k-1})+\sum _{u\in M}p(Z_k|L_u)p(L_u|Z^{k-1})\text{\hspace{1em}(4)}$$

  其中$p(Z_k|L_m)p(L_m|Z^{k-1})$可以转换为求似然概率，而$p(Z_k|L_u)p(L_u|Z^{k-1})$是无法求解的，因为我们没有"未来的数据"。因此，作者利用随机采样的方法，在$M$的样本内随机选取$n_s$个样本代表$\bar{M}$。

  所以，$(4)$式可进一步近似为：

$$p(Z_k|Z^{k-1})\approx \sum _{m\in M}p(Z_k|L_m)p(L_m|Z^{k-1})+p(L_{new}|Z^{k-1})\sum _{u=1}^{n_s}\frac{p(Z_k|L_u)}{n_s}$$

  $p(L_{new}|Z^{k-1})$是先验概率，文中取的是0.9。而$p(Z_k|L_u)$可转换为求似然概率。

考虑概率$p(Z_k|Z^{k-1})$

  作者说明了此概率对结果的影响不大，作者取的是常值2800.

总结：
  利用上述结果，可以得到递归贝叶斯的计算公式，值得注意的是，以上的前提是需要利用数据集训练学习得到Chow Liu Tree。而这个学习的过程包括词袋模型的建立，似乎是一个有监督的学习过程。

参考文献：
[1] Cummins M , Newman P . FAB-MAP: Probabilistic Localization and Mapping in the Space of Appearance[J]. Int.j.robot.res, 2008, 27(6):647-665.