SGLC: Semantic Graph-Guided Coarse-Fine-Refine Full Loop Closing for LiDAR SLAM

环路闭合是SLAM中的一个关键组成部分，它通过两个主要步骤来消除累积误差：环路检测和环路位姿校正。第一步确定是否应该执行环路闭合，而第二步估计6自由度位姿以校正里程计漂移。目前的方法大多集中在开发用于环路闭合检测的强大描述符上，往往忽视了环路位姿估计。一些包含位姿估计的方法要么精度低，要么计算成本高。为了解决这个问题，我们引入了SGLC，这是一种实时的语义图引导的完整环路闭合方法，具有强大的环路闭合检测和6自由度位姿估计能力。SGLC考虑了前景点和背景点的不同特征。对于前景实例，它构建了一个语义图，不仅抽象了点云表示以进行快速描述符生成和匹配，还引导了后续的环路验证和初始位姿估计。同时，利用背景点提供更多几何特征用于扫描描述符的构建和稳定的平面信息用于进一步的位姿细化。环路位姿估计采用粗细细的配准方案，考虑到实例点和背景点的对准，提供了高效和准确的结果。我们通过在KITTI和KITTI-360数据集上进行广泛的实验评估了SGLC的环路闭合性能，证明了它优于现有的最先进方法。此外，我们将SGLC集成到SLAM系统中，消除了累积误差，提高了整体SLAM性能。SGLC的实现将在https://github.com/nubot-nudt/SGLC发布。

解决问题：论文旨在解决SLAM中loop closing的问题，即通过循环检测和循环姿态校正来消除累积误差。当前的方法大多集中在开发鲁棒的循环检测描述符上，往往忽略循环姿态估计的重要性。

关键思路：论文提出了一种实时的语义图引导的全循环闭合方法SGLC，具有鲁棒的循环检测和6-DoF姿态估计能力。SGLC考虑了前景和背景点的不同特点。对于前景实例，它构建了一个语义图，不仅为快速描述符生成和匹配抽象了点云表示，还指导了后续的循环验证和初始姿态估计。而背景点则被利用来为扫描描述符构建更多几何特征，并为进一步的姿态细化提供稳定的平面信息。循环姿态估计采用了一种粗细精配准方案，考虑了实例点和背景点的对准，具有高效和准确性。

其他亮点：论文通过在KITTI和KITTI-360数据集上进行了广泛的实验评估SGLC的循环闭合性能，证明了其优于现有最先进方法。此外，论文将SGLC集成到SLAM系统中，消除了累积误差，提高了整体SLAM性能。SGLC的实现将在https://github.com/nubot-nudt/SGLC上发布。

相关研究：最近在这个领域中，一些相关研究包括：'A Survey of SLAM: Recent Advances and Future Challenges'，'ORB-SLAM: A Versatile and Accurate Monocular SLAM System'，'LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping'等。