回环检测作为同步建图与定位(Simulation Localization and Mapping,SLAM)算法中的基本组成部分,能有效关联相同场景之间的特征信息,提供全局一致性的位姿估计。基于词袋(Bag of Words,BoW)模型的回环检测算法在视觉SLAM领域有着显著成...回环检测作为同步建图与定位(Simulation Localization and Mapping,SLAM)算法中的基本组成部分,能有效关联相同场景之间的特征信息,提供全局一致性的位姿估计。基于词袋(Bag of Words,BoW)模型的回环检测算法在视觉SLAM领域有着显著成效,但对于激光雷达SLAM算法,主流的方法无法实时有效地识别回环场景,且通常无法校正完整的六自由度(6 Degree of Freedom,6-DOF)环路姿态。针对以上问题,文章提出了一种基于线性关键点特征表示的词袋模型,用于激光雷达SLAM中的实时回环检测。该词袋模型计算性能高效,可满足自动驾驶实时性要求。同时,算法具有稳定的姿态校正能力,可用于精确的点对点匹配。在公开数据集上,将文章提出的方法嵌入激光SLAM算法中进行闭环性能评估。结果表明,基于词袋模型的回环检测算法在激光SLAM领域优于现有的主流方法。展开更多
文摘回环检测作为同步建图与定位(Simulation Localization and Mapping,SLAM)算法中的基本组成部分,能有效关联相同场景之间的特征信息,提供全局一致性的位姿估计。基于词袋(Bag of Words,BoW)模型的回环检测算法在视觉SLAM领域有着显著成效,但对于激光雷达SLAM算法,主流的方法无法实时有效地识别回环场景,且通常无法校正完整的六自由度(6 Degree of Freedom,6-DOF)环路姿态。针对以上问题,文章提出了一种基于线性关键点特征表示的词袋模型,用于激光雷达SLAM中的实时回环检测。该词袋模型计算性能高效,可满足自动驾驶实时性要求。同时,算法具有稳定的姿态校正能力,可用于精确的点对点匹配。在公开数据集上,将文章提出的方法嵌入激光SLAM算法中进行闭环性能评估。结果表明,基于词袋模型的回环检测算法在激光SLAM领域优于现有的主流方法。
