回环检测方法

回环检测（Loop Closure Detection）是机器人和计算机视觉领域中的一个重要概念，特别是在机器人导航、地图构建和定位（SLAM，Simultaneous Localization and Mapping）中。它的主要任务是识别机器人或传感器在环境中访问的相同位置或路径。这一过程对于确保地图的准确性和减少累积误差至关重要。

一、传统方法

1.Scan Context(IROS2018)

代码：SC-A-LOAM/include/scancontext/Scancontext.cpp at main · gisbi-kim/SC-A-LOAM (github.com)

中文博客：Scan Context / Scan Context ++ 论文和源码阅读-CSDN博客

摘要：为了实现基于结构信息的全局定位，我们提出了 Scan Context，这是一种来自 3D 光检测和测距（LiDAR）扫描的非基于直方图的全局描述符。与以前方法不同，所提出的方法直接从传感器记录可见空间的 3D 结构，而不依赖于直方图或先前的训练。此外，这种方法还建议使用相似性分数来计算两个扫描上下文之间的距离，并使用两阶段搜索算法来有效地检测循环。扫描上下文及其搜索算法使循环检测不受 LiDAR 视点变化的影响，因此可以在反向重访和拐角等位置检测到循环。已经通过 3D LiDAR 扫描的各种基准数据集评估了扫描上下文性能，所提出的方法显示出足够的性能改进。

2.A Fast and Robust Loop Detection and Correction Method for 3D Lidar SLAM（2018 sensors）

摘要：在本文中，我们提出了一个完整的循环检测和校正系统，该系统是为来自激光雷达扫描仪的数据而开发的。关于检测，我们建议将全局点云匹配器与新颖的配准算法相结合，以高效的方式确定候选循环。配准方法可以处理方向上大多偏离的点云，同时比现有技术提高效率。此外，我们将全局点云匹配器的计算速度提高了 2-4 倍，最大限度地利用了 GPU。实验表明，与其他点云匹配器相比，我们的组合方法可以更可靠地检测激光雷达数据中的循环，因为它可以更好地权衡精度-召回率：对于接近 100% 的召回率，我们获得了高达 7% 的精度。最后，我们提出了一种新颖的循环校正算法，该算法使平均位姿误差和中位误差提高了 2 倍，同时只需要几秒钟即可完成。

原文：https://www.mdpi.com/1424-8220/19/1/23

3.Robust Place Recognition and Loop Closing in Laser-Based SLAM for UGVs in Urban Environments（sensor journal）

原文：https://ieeexplore.ieee.org/abstract/document/8316929

摘要：在本文中，提出了一种基于 3-D 激光的地方识别算法来完成同时定位和映射的闭环检测。采用名为方位角（BA）的图像模型将三维激光点转换为二维图像，然后利用从 BA 图像中提取的 ORB 特征进行场景匹配。由于查询 BA 图像与数据库中的所有 BA 图像匹配的计算成本太高，无法满足实时位置识别的要求，因此采用可视化词袋方法来提高搜索效率。此外，该文提出了一种速度归一化算法和一种基于三维几何的验证算法，以完成所提出的地方识别算法。在两个自主研发的 UGV 平台上进行了实验，以验证所提方法的性能。

4.Local Descriptor for Robust Place Recognition Using LiDAR Intensity（2019RA-L）

摘要：位置识别是移动机器人中一个具有挑战性的问题，尤其是在非结构化环境或视点和照明变化的情况下。大多数基于 LiDAR 的方法都依赖于几何特征来克服这些挑战，因为通常场景几何结构不受这些变化的影响，但往往会显著影响基于相机的解决方案。然而，与相机相比，LiDAR 缺乏成像所能提供的强大和描述性的外观信息。为了结合几何和外观的优点，我们建议将来自 LiDAR 的常规几何信息与其校准的强度耦合。该策略以新的描述符设计（称为 ISHOT）的形式提取非常有用的信息，在我们的本地描述符评估中，其性能明显优于流行的最先进的纯几何描述符。为了完成该框架，我们进一步开发了一种概率关键点投票地点识别算法，利用新的描述符并产生亚线性地点识别性能。我们的方法的有效性在大规模构建和非结构化环境中具有挑战性的全球定位实验中得到了验证。

原文：https://ieeexplore.ieee.org/document/8618373

5.Season-Invariant and Viewpoint-Tolerant LiDAR Place Recognition in GPS-Denied Environments（TIE）

原文：https://ieeexplore.ieee.org/abstract/document/8948317

摘要：在各种感知条件下，例如，所有天气、一天中的时间、季节和视点变化，地方识别仍然是一个具有挑战性的问题。与大多数现有的使用纯视觉的地方识别方法不同，本文研究了基于光检测和测距（LiDAR）的方法。点云对地点识别有一些好处，因为它们不会受到照明变化的影响。另一方面，它们受到不同角度或不同季节的结构变化的巨大影响。在本文中，提出了一种新颖的基于 LiDAR 的地方识别系统，即使在严重的季节性变化和视点变化的情况下，也能实现长期稳健的定位。为了提高效率，设计了一个紧凑的圆柱形图像模型，将三维点云转换为表示场景突出几何关系的二维图像。场景的上下文（建筑物、树木、道路结构等）用于高效的地点识别。还为后验证引入了基于序列的时间一致性检查。在三个数据集（Oxford RobotCar [1]、NCLT [2] 和 DUT-AS）上进行的广泛真实实验表明，所提出的系统优于最先进的视觉和基于 LiDAR 的方法，验证了其在具有挑战性的场景中的稳健性能。

二、学习方法

1.LocNet（IV 2018）

代码：HuanYin94/LocNet_frontend: The front-end implementation for LocNet (github.com)

原文：LocNet: Global Localization in 3D Point Clouds for Mobile Vehicles | IEEE Conference Publication | IEEE Xplore

摘要：在 3D 点云中进行全局定位是一个具有挑战性的问题，需要在没有任何先验知识的情况下估计车辆的姿态。在本文中，通过在全局先验地图中实现位置识别和姿态估计，提出了一种解决方案。具体来说，我们提出了一种使用 LocNet 的 LiDAR 点云的半手工制作的表示学习方法，该方法将地点识别问题陈述为相似性建模问题。通过 LocNet 的最终学习表示，提出了一个仅具有范围观测的全局定位框架。为了证明我们的全球定位系统的性能和有效性，我们采用了 KITTI 数据集与其他算法进行比较，并在我们长期的多会话数据集上进行评估。结果表明，我们的系统可以达到很高的准确率。

图：系统框架

2.PointNetVLAD（CVPR2018）

摘要：在本文中，我们提出了 PointNetVLAD，我们利用深度网络最近的成功来解决基于点云的地方识别检索问题。具体来说，我们的 PointNetVLAD 是现有 PointNet 和 NetVLAID 的组合/修改，它允许端到端训练和推理，以从给定的 3D 点云中提取全局描述符。此外，我们提出了 “lazy triplet and quadruplet” 损失函数，它可以实现更具判别性和可推广性的全局描述符来处理检索任务。我们为基于点云的地点识别检索创建了基准数据集，这些数据集上的实验结果表明了我们的 PointNetVLAD 的可行性。我们的代码和基准测试数据集下载链接可在我们的项目网站上找到。

代码：https://github.com/mikacuy/pointnetvlad?tab=readme-ov-file

原文：https://arxiv.org/pdf/1804.03492

3.1-Day Learning, 1-Year Localization: Long-Term LiDAR Localization Using Scan Context Image（2019 RA-L）

摘要：在这封信中，我们提出了一种长期的定位方法，该方法通过图像格式有效地利用环境的结构信息。所提出的方法即使在一天内就学会了，也能呈现出强大的全年本地化性能。所提出的定位器学习一个名为 Scan Context Image （SCI）的点云描述符，并通过使用卷积神经网络将地点识别问题表述为地点分类，在网格地图上执行机器人定位。我们的方法比为位置识别提出的现有方法更快，因为它避免了数据库中查询和扫描之间的成对比较。此外，我们使用公开可用的长期数据集、NCLT 数据集和 Oxford RobotCar 数据集进行了全面的验证，并表明扫描上下文图像（SCI）定位在一年内实现了一致的性能，并且优于现有方法。

原文：https://ieeexplore.ieee.org/document/8633942

4.OREOS: Oriented Recognition of 3D Point Clouds in Outdoor Scenarios（IROS2019）

摘要：我们介绍了一种使用 3D LiDAR 扫描进行定向位置识别的新方法。经过训练，卷积神经网络可以从单个 3D LiDAR 扫描中提取紧凑的描述符。这些值既可用于从地图中检索附近的候选地点，也可用于估计引导本地注册方法所需的偏航差异。我们采用三元组损失函数进行训练，并使用硬负挖掘策略来进一步提高描述符提取器的性能。在对 NCLT 和 KITTI 数据集的广泛评估中，我们证明在具有挑战性的长期户外条件下，我们的方法优于基于数据驱动和手工制作数据表示的相关最先进方法。

原文：https://ieeexplore.ieee.org/document/8968094

(1)我们将当前的 3D LiDAR 扫描投影到 2D 距离图像上。

(2)利用卷积神经网络提取两个紧凑描述符 v 和 w。前者用于 k-Nearest-Neighbor （kNN）搜索以检索wnn从地图中最近的候选地点开始。

(3)描述符 w 和wnn然后馈送到偏航估计神经网络中，以估计查询点云与地图中最近位置的点云之间的偏航角差异。

(4)最后，通过应用局部配准方法获得准确的 3 DoF 位姿估计，使用方向估计和来自最近地图位置的平面 x 和 y 坐标作为初始估计。

提出的用于描述符提取的网络架构由三个卷积层和两个全连接层组成。

5.Semantically Assisted Loop Closure in SLAM Using NDT Histograms（RA-L 2019）

摘要：精确的姿态知识对于移动机器人在户外环境中的可靠运行非常重要。同步定位和地图构建（SLAM）是在探索环境期间在线构建地图。SLAM 的一个组成部分是闭环检测，识别已访问过的相同位置以及现有地图上是否存在，并针对该位置进行定位。我们在以前的工作中已经表明，将深度分割网络的语义与正态分布变换（NDT）点云配准结合使用可以提高激光雷达里程计的鲁棒性、速度和准确性。在这项工作中，我们扩展了闭环检测方法，使用本地配准中已有的标签到 NDT 直方图中，并提出了一个基于语义辅助 NDT 和 PointNet ++ 的 SLAM 管道。我们在 KITTI 基准测试的序列上实验证明，我们提出的映射描述符优于没有语义的 NDT 直方图，并验证了它在 SLAM 任务中的使用。

代码：https://github.com/azaganidis/se_ndt

原文：https://ieeexplore.ieee.org/document/8968140

6.SeqLPD: Sequence Matching Enhanced Loop-Closure Detection Based on Large-Scale Point Cloud Description for Self-Driving Vehicles(IR0S-2019)

摘要：地点识别和闭环检测是自动驾驶汽车定位、测绘和导航任务中的主要挑战。在本文中，我们通过结合基于深度学习的点云描述方法和粗到细序列匹配策略来解决闭环检测问题。更具体地说，我们提出了一个深度神经网络，从原始的大规模 3D 点云中提取一个全局描述符，然后基于该网络，提出了一种典型的位置分析方法来研究全局描述符的特征空间分布并选择几个超级关键帧。最后，提出了一种由粗到细的策略，包括基于超级关键帧的粗选阶段和局部序列匹配阶段，以同时保证闭环检测的准确性和实时性。由于序列匹配操作，所提出的方法与现有的基于深度学习的方法相比得到了改进。在自动驾驶汽车上的实验结果验证了所提出的闭环检测算法的有效性。

原文：https://ieeexplore.ieee.org/document/8967875

7.LPD-Net: 3D Point Cloud Learning for Large-Scale Place Recognition and Environment Analysis（ICCV 2019）

摘要：基于点云的场所识别仍然是一个开放性问题，主要原因在于从原始三维点云中提取局部特征并生成全局描述符的困难，尤其在大规模动态环境中更为复杂。本文提出了一种新型深度神经网络，名为LPD-Net（大规模场所描述网络），该网络能够从原始三维点云中提取具有区分性和广泛适应性的全局描述符。我们设计了两个模块：自适应局部特征提取模块和基于图的邻域聚合模块，这些模块有助于提取局部结构并揭示大规模点云中局部特征的空间分布，以端到端的方式进行处理。我们将所提出的全局描述符应用于解决基于点云的检索任务，以实现大规模场所识别。对比结果表明，LPD-Net的性能显著优于PointNetVLAD，并达到了最新的研究水平。我们还将LPD-Net与基于视觉的解决方案进行了比较，结果显示我们的方法在不同天气和光照条件下具有更强的鲁棒性。

代码：https://github.com/Suoivy/LPD-net?tab=readme-ov-file

原文：https://openaccess.thecvf.com/content_ICCV_2019/papers/Liu_LPD-Net_3D_Point_Cloud_Learning_for_Large-Scale_Place_Recognition_and_ICCV_2019_paper.pdf

8.OverlapNet was nominated as the Best System Paper at Robotics: Science and Systems (RSS) 2020

原文：https://www.roboticsproceedings.org/rss16/p009.pdf

代码：https://github.com/PRBonn/OverlapNet

摘要——同时定位与地图构建（SLAM）是大多数自主系统所需的基本能力。在本文中，我们针对基于自动驾驶汽车记录的3D激光扫描数据的SLAM回环检测问题进行了研究。我们的方法利用深度神经网络，结合来自LiDAR数据的多种线索来寻找回环闭合点。该网络能够估计广义的图像重叠度并提供扫描对之间的相对偏航角估计。基于这些预测，我们处理了回环检测问题，并将该方法集成到现有的SLAM系统中，以改进其地图构建结果。我们在KITTI里程计基准测试序列和校园数据集上对我们的方法进行了评估。结果表明，我们的方法能够有效检测回环，其检测性能超越了现有最先进的方法。为突出我们方法的泛化能力，我们在只使用KITTI进行训练的情况下对福特校园数据集进行了评估。实验表明，学习到的特征表示能够在未见过的环境中提供可靠的回环检测候选点。

持续更新中.....

标签：检测,LiDAR,描述符,https,回环,点云,方法,3D
From： https://blog.csdn.net/weixin_41331879/article/details/142940210

前言