Appearance-Based Loop Closure Detection for Online Large-Scale and Long-Term Operation

该论文介绍了一种面向外观定位和建图的在线环路闭合检测方法，用于大规模和长期操作。环路闭合检测是确定当前观测是否来自先前访问的位置还是新位置的过程。随着内部地图的增大，将新观测与所有存储位置进行比较所需的时间也会增加，最终限制在线处理。该方法基于一种内存管理方法，限制用于环路闭合检测的位置数量，以使计算时间保持在实时约束下。其思想是将最近和频繁观察到的位置保存在用于环路闭合检测的工作内存中，并将其他位置转移到长期内存中。当当前位置与存储在工作内存中的位置匹配时，可以更新存储在长期内存中的相关位置，并记住它们以进行额外的环路闭合检测。结果表明，该方法适应性强，可扩展性好，使用了其他基于外观的环路闭合方法的十个标准数据集，一个自定义数据集使用我们大学校园2公里环路的实际图像，以及一个自定义数据集（7小时），使用赛车视频游戏“极品飞车：最高通缉”。

论文旨在解决外观定位和建图中的循环闭合检测问题，特别是在大规模和长期操作中如何限制计算时间的问题。

论文提出了一种在线循环闭合检测方法，基于内存管理技术，将最近和频繁观察到的位置存储在工作内存中，其他位置存储在长期内存中，以限制计算时间，并通过匹配当前位置和工作内存中的位置来更新长期内存中的相关位置。

论文使用十个标准数据集和两个自定义数据集进行了实验，证明了该方法的适应性和可扩展性。值得关注的是，该方法使用了内存管理技术，可以在保证实时性的同时限制计算时间。此外，该方法还使用了虚拟图像进行实验，这为进一步研究提供了可能性。

在外观定位和建图领域，最近的相关研究包括“ORB-SLAM2: an Open-Source SLAM System for Monocular, Stereo, and RGB-D Cameras”和“D2-Net: A Trainable CNN for Joint Detection and Description of Local Features”。