(3分钟)总结数据关联(特征匹配&回环检测)

数据关联问题

数据关联(Data Association)，也被称为一致性问题(Correspondence Problem)是SLAM面临的挑战之一。数据关联是指建立在不同时间、不同地点获得的传感器测量之间、传感器测量与地图特征之间或者地图特征之间的对应关系，以确定它们是否源于环境中同一物理实体的过程。数据关联的正确与否对于SLAM问题中的状态估计至关重要。

In SLAM frameworks, in terms of the update frequency,the data association could be divided into two categories: short-term association (e.g. feature matching) and long-term association (e.g. loop closure detection). (其中数据关联又分为短期数据关联和长期数据关联问题)

Feature Matching: 计算所有特征点描述子距离，表征了特征点的相似程度(采用不同的距离度量范数，浮点型描述子--欧氏距离，二进制描述子--汉明距离)

特征匹配通常有：暴力匹配方法，握手匹配方法，快速近似最近邻匹配方法。

尽管进行了特征匹配，但是仍然存在匹配错误的情况，这时候便是用RANSAC对匹配错误的匹配对进行剔除，来提高特征匹配的效果。

闭环检测则通常有词袋模型来进行检测，下面复制一篇博客的表格来进行总结：

名称	类别	小结
词袋模型	描述子法	经典方案，但适配于摄像头
M2DP	描述子法	计算全局描述子的方法，但计算一帧点云用到时间太多
Scan context	描述子法	比较出色的回环检测法，便于应用到各种激光slam中，但是假回环（假阳性）案例太多
Scan context++	描述子法	改进版scan context，但文章提出两种
Lidar Iris	描述子法	和Scan context 结构近似，但用于搜索匹配描述子的时间过长
Intensity Scan context	描述子法	利用强度信息的Scan context，但无法跑通源码
Imaging Lidar	描述子法	结合了激光雷达和相机回环检测的优势，鲁棒性很好，只是需要用线束均匀分布的激光雷达
OverlapNet	深度学习法	鲁棒性好，泛化能力强，但输入数据预处理步骤很繁琐，不适合部署
OverlapTransformer	深度学习法	改进版OverlapNet，仅需要深度信息，处理速度快，便于部署
LCDNet	深度学习法	有机的结合可点云配准和回环检测的模型

在上面表格中，描述子法也即传统的方法，其通过描述子的计算来判断当前系统是否走到之前的位置，也即判断回环。下面三个是深度学习的方法，通过网络的学习来对回环进行检测，是当前较为热门的回环检测方法。但是大多数工程选择使用传统方法来进行回环检测。

这里的传统方法好像还有一种 。。。 关键时刻记不起来了。行了就这些，等以后想起来，再进行补充。