Disco-SLAM算法之Scan-Context

Scan-Context的理解

Scan context: 3D点云的场景识别/回环检测

原创投稿 | ScanContext 论文详解 - 用途：Lidar SLAM 回环检测、空间描述符（这篇我觉得写得通俗易懂）

Scan Context的创建

简单来说，把传感器周围的点云存在一个类似下面的地图中，3D降维到2D

降维后的Scan context就是一个Nr*Ns的矩阵，横轴代表环向维度，纵轴代表径向维度，矩阵中的像素值是取的对应环向和径向相交区域（bin, 注意是具有一定体积的空间区域）点的最大高度；这个矩阵就是对该场景的编码，由于包含了全局信息，所以是一个全局的描述符。

Similarity score的计算

通俗的讲就是这两个降维后的2D矩阵通过

这个公式来计算相似度，那如果旋转过后，位置没变，但是角度变了是不是整体的ring没变，但是sector方向整体偏移，那就用最简单的方法将每一个值都试过去，看看是不是符合相似度阈值。

Two-phase Search Algorithm

那么显然前面说的，挨个试过去的方法运算量很大，效率奇低，所以作者提出了一种高效的方法。将整个地图再次降维一下，通过环键（Ring key）编码来将每一个横轴的值变为一个实值，这样整个一圈圈的ring就从Nr ✖ Ns 变为Nr了。

环键编码算法采用如下

这样就会得到许多个一维向量（不同的location），作者构建了一个KDTree来搜索K个最相似的scan index，搜索结果再进行相似度匹配计算就会大大提高效率。

个人理解，就是把原先的三维地图降维到二维矩阵，再通过判断Sector方向的突出地貌个数来降维（确实虽然旋转了，但是每个方向的整体地形不能变，或者说每个视角中的高点个数不会变），最终得到许多个一维的KD树匹配。