SLAM学习笔记（三） 后端优化与回环检测

后端优化是对相机位姿和点位置的再度优化（相较于前端优化规模更大），回环检测是对地图进行的一种修正（当机器人回到原来位置时，地图也实现一个闭环）。

后端优化

主要介绍三种方法：EKF（扩展卡尔曼滤波器）、BA图优化、位姿图。已知运动数据和观测数据，对它们进行优化。

扩展卡尔曼滤波器

假设了马尔可夫性，即当前状态仅与前一时刻有关。先对参数进行预测，然后计算卡尔曼增益，计算出后验概率（即根据结果推测出概率）的分布，利用最大后验概率作为估计形式。

由于SLAM中的模型一般为非线性，所以采用的是扩展卡尔曼滤波器（泰勒展开后只保留一阶项）。马尔科夫性和一阶泰勒展开也是它的缺点，同时，它被认为不适用于大型场合。

BA与图优化

实际像素位置与推测像素位置的误差尽可能地小（同时优化了相机位姿和路标）。实际计算的时候，计算量大，可利用H矩阵的稀疏性利用Schur消元法来求解（也可以使用Cholesky分解）。

为使误差大的边不影响其它边的优化，可定义鲁棒核函数。

位姿图

不优化路标（几次优化后固定），只优化位姿。本质上是一个最小二乘问题。

也可以从因子图的角度看待后端优化，iSAM可以增量式地处理后端优化，Gstam是基于因子图优化的SLAM后端库。

回环检测

回环检测的核心在于确认机器人回到了原来的位置，即如何确定两幅图像的相似性。回环检测要求准确率高（认为对的都是对的），对召回率要求低（漏掉了实际上对的情况）。

通过 K-means聚类（或层次聚类法、K-means++）训练了字典模型，字典模型数据结构为树结构（或Fabmap、Chou-Liu tree）。查找图像中是否出现了某一单词（即某一特征），利用TF-IDF（频率-逆文档频率）来作为出现的某一特征在向量中的值。比较两图像之间这种向量的相似性即可判断。

可用先验相似度作为参考值进行归一化（区别特征较相似的环境和有较大不同的环境），关键帧的选取注意间隔，可把关键帧相近的回环聚类，回环检测得结果要持续一定帧数（防止误检验）。

仍需深入探讨的问题

• 回环检测中有没有可能使用更好地深度学习方法，比如神经网络来进行聚类