SLAM架構的兩篇頂會論文解析
一． 基於superpoint的詞袋和圖驗證的魯棒閉環檢測
標題：Robust Loop Closure Detection Based on Bag of SuperPoints and Graph Verification
作者：Haosong Yue, Jinyu Miao, Yue Yu, Weihai Chen and Changyun Wen
來源：IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)，2019
摘要
閉環檢測（LCD）是機器人的一項關鍵技術，它可以在長時間探索后糾正累積的定位誤差。在本文中，我們提出了一種基於superpoint的詞袋和圖形驗證的魯棒LCD算法。系統首先使用SuperPoint神經網絡提取興趣點和特征描述符。然后，考慮連續訓練圖像之間的關系，以漸進和自我監督的方式訓練視覺詞匯。最后，使用匹配的特征點構造拓撲圖，以驗證詞袋（BoW）框架獲得的候選循環閉合。在幾個典型的數據集上使用最新的LCD算法進行了比較實驗。結果表明，我們提出的圖形驗證方法可以顯着提高圖像匹配的准確性，並且整體LCD方法優於現有方法。
貢獻
1. 利用SuperPoint（一個完全卷積的網絡）提取關鍵點和描述符，這比LCD中現代使用的特征提取方法更准確。
2. 以漸進方式訓練視覺詞匯，充分考慮相應訓練圖像之間的關系。
3. 提出了一種基於拓撲圖模型的新穎驗證方法，以確認BoW框架獲得的候選回路閉合。
圖1 由我們提出的算法構建的拓撲圖。紅點表示選定的SuperPoint特征點，即圖形的節點。綠線表示節點之間的邊緣。只有兩個候選圖像具有相同的圖結構，它們才被視為循環閉合。
圖2 我們提議的框架概述。
圖3 詞匯建立的過程。
表1 具有100％精度的不同算法的最大調用數
圖4 第3步的例證在圖表大廈的。如果將結構從（a）更改為（b）后最小內角變大，則將保留更改。
圖5 所提出的方法在各種數據集上的性能。
圖6 在城市中心數據集中使用和不使用圖形驗證的算法的比較結果。
圖7 在New College數據集上使用和不使用圖驗證的算法的比較結果。
表2 不同算法的平均執行時間（MS）。
二．持續更新地圖的場景管理
標題：View management for lifelong visual maps
作者：Nandan Banerjee, Ryan C. Connolly, Dimitri Lisin, Jimmy Briggs, and Mario E. Munich
來源：IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)，2019
摘要
在基於圖的視覺SLAM系統當中，觀測系統和閉環系統的時間復雜度是與地圖中存儲的場景（view）的數量相關的函數。一些算法，比如近似最近鄰搜索可以使這個函數達到亞線性的程度。盡管如此，隨着時間的推移，view的數量會不斷增加，終將會使系統的運行速度和精度變得不可接受，特別是在計算力和內存收到約束的SLAM系統當中。但是不是所有的場景的重要性都是一樣的。有一些view很少被觀測到，這是由於view可能是在非正常光照條件下創建的，或者是由低質量的圖像構建而成，也有可能場景位置的外觀已經發生了變化。對於這些view，可以將他們移除從而提高SLAM系統的表現。在本文中，作者提出一種在視覺SLAM系統中，去除這些view的方法，從而使系統在長時間運行時，依然能夠保持速度和精度。
圖1 機器人觀測到的場景中的一個view，紅色十字是檢測到的keypoint。
圖2 機器人運行十分鍾后生成的圖結構，其中青色倒三角形表示位姿節點，紅色，黃色和綠色的倒三角分別表示新觀測，稍微觀測和經常觀測到的view 節點。
圖3 上圖顯示的是機器人在同一個環境中，不同的光照條件下運行多次，隨着時間的推移，觀測到的view的個數在增加。
圖4 根據view分數進行裁剪后，環境中剩下的view的位置。圖中的view的位置是不均勻分布的。
圖5 在同樣的環境中，應用最近鄰約束后，view的位置呈現均勻分布。
圖6 作者在不同的地圖上進行了測試。