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。