RTAB-Map 闭环检测

本文主要是介绍RTAB-Map 闭环检测，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

欢迎访问 https://cgabc.xyz/posts/999fccc5/，持续更新

1. 概述

主要特点：

• 基于外观（Appearance-Based），通过图像相似度查找回环
• 贝叶斯滤波算法，估计回环的概率
• 增量式在线构建视觉词典或词袋，针对一个特定环境不需要预训练过程
• 内存管理模型，保证实时在线运行

代码主要过程：

• RTABMap（闭环检测）主入口函数 Rtabmap::process
• 输入图像image及其id（header.seq）被封装到SensorData类
• 内存更新(Memory::update)
  • 创建签名(Memory::createSignature)
  • Add Signature To STM(Memory::addSignatureToStm)
  • Weight Update, Rehearsal(Memory::rehearsal)
  • Transfer the oldest signature from STM to WM(Memory::moveSignatureToWMFromSTM)
• 贝叶斯滤波器更新
  • 计算似然(Memory::computeLikelihood)
  • 调整似然(Rtabmap::adjustLikelihood)
  • 计算后验(BayesFilter::computePosterior)
  • 选择最高的闭环假设
• RETRIEVAL
  • Loop closure neighbors reactivation
  • Load signatures from the database, from LTM to WM(Memory::reactivateSignatures)
• Update loop closure links: make neighbors of the loop closure in RAM
• TRANSFER: move the oldest signature from STM to LTM

算法主要流程：

内存管理模型：

回环检测（若不考虑内存管理）过程：

2. 内存更新

2.1 创建签名

代码在 Memory::createSignature 中，其主要过程为

• 词典更新(VWDictionary::update) 线程
  • 构建FLANN索引
    • 根据描述子构建KDTree索引词典 (_flannIndex->buildKDTreeIndex, kNNFlannKdTree)
    • KDTree的创建基于分层k-mean聚类
  • 更新_dataTree
• 角点(GFTT)检测(Feature2D::generateKeypoints)
  • 均匀分布(gridRows_, gridCols_)
  • 限制点数(maxFeatures_)
  • 亚像素提取(cv::cornerSubPix)
• 描述子(BRIEF)计算(Feature2D::generateDescriptors)
• quantize descriptors to vocabulary(VWDictionary::addNewWords)

  • 描述子匹配(descriptors – dataTree)，并计算距离

  • 添加单词 或 参考+1

    • badDist=true（匹配数量特别少，或 NNDR(neareast neighbor distance ratio) 大于 $T_{\text{NNDR}}$ 阈值_nndrRatio），然后创建VisualWord并添加到_visualWords

    $$\text{NNDR}=\frac{\text{dist of the neareast neighbor}}{\text{dist of the second-neareast neighbor}}$$

    • badDist=false，VWDictionary::addWordRef，_references+1
• 创建签名(new Signature)

2.2 添加签名到STM

代码主要在 Memory::addSignatureToStm 中。

• 更新neighbors，添加链接(signature->addLink)
• 添加签名ID到_stMem

2.3 更新权重

代码主要在 Memory::rehearsal 中。

• signature与STM中最新的签名比较，计算相似度RehearsalSimilarity(float sim = signature->compareTo(*sB))

$$\text{similarity}=\frac{\text{pairs}}{\text{totalWords}}$$

• 相似度 > 阈值_similarityThreshold，假设合并(Memory::rehearsalMerge)，更新权重

  • 更新权重(signature->setWeight)

  $$w_A=w_A+w_B+1$$

  • 新旧签名合并(Memory::rehearsalMerge)
    • 新签名添加Link
    • 删除旧签名(moveToTrash)

2.4 签名转移 (STM->WM)

Transfer the oldest signature of the short-term memory to the working memory

• _maxStMemSize = 10
• Memory::moveSignatureToWMFromSTM:_workingMem.insert 和 _stMem.erase

3. 贝叶斯滤波器更新

• 计算似然(Memory::computeLikelihood)，得到 rawLikelihood

  • 算法一：tf-idf (term frequency–inverse document frequency)

  $$\text{tf-idf}=\frac{n_{wi}+\log \frac{N}{n_w}}{n_i}$$

  • 算法二：相似度 RehearsalSimilarity

• 调整似然(Rtabmap::adjustLikelihood) $s_j$，得到 likelihood

  • 依据 似然均值 $\mu$ 和 似然标准差 $\sigma$

  $$\text{likelihood}=\{\begin{array}{l}\frac{s_j-\sigma }{\mu },\text{if}{s}_j\ge \mu +\sigma \\ 1,\text{otherwise}.\end{array}$$

• 计算后验(BayesFilter::computePosterior)，得到 posterior

  • 预测(Prediction : Prior*lastPosterior)得到_prediction
  • 更新后验(BayesFilter::updatePosterior)
  • 计算先验(prior = _prediction * posterior)
  • 计算后验
  • 后验归一化

$$\text{posterior}=\text{likelihood}\times \text{prior}$$

4. 回环假设选择

Select the highest hypothesis

• 根据后验posterior选择最高的假设_highestHypothesis
• 接受回环，条件如下：
  • _highestHypothesis > _loopThr
  • 对极几何 检查(_epipolarGeometry->check)
    • 单词匹配对数量(EpipolarGeometry::findPairsUnique) > _matchCountMinAccepted
    • 对极约束内点数(EpipolarGeometry::findFFromWords) > _matchCountMinAccepted（RANSAC方法计算基础矩阵）

5. 取回 Retrieval (LTM->WM)

对于形成回环概率最高的定位点，将他那些没有在WM中的邻接定位点，从LTM中取回放入到WM中。

• Loop closure neighbors reactivation
  • time
  • space
• Update planned path and get next nodes to retrieve
• Load signatures from the database (LTM->WM)

6. 转移 Transfer (STM->LTM)

If time allowed for the detection exceeds the limit of real-time, move the oldest signature with less frequency entry (from X oldest) from the short term memory to the long term memory.

具有最低权重的定位点中，存储时间最长的将被转移到LTM（数据库SQLite）中。

参考文献

[1] Appearance-Based Loop Closure Detection for Online Large-Scale and Long-Term Operation
[2] Fast and Incremental Method for Loop-Closure Detection Using Bags of Visual Words

这篇关于RTAB-Map 闭环检测的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---