Active Loop Closure for OSM-guided Robotic Mapping in Large-Scale Urban Environments

自主地图绘制对于自主机器人来说是一个巨大的挑战。为了缓解这些挑战，通常会使用全局规划，例如利用来自OpenStreetMap（OSM）的先前GPS轨迹，以指导机器人进行绘图的自主导航。然而，由于复杂的地形、意外的身体运动和传感器噪声等因素，机器人位姿估计的不确定性随着时间的推移不可避免地增加，最终导致机器人绘图失败。为了解决这个问题，我们提出了一种新颖的主动闭环检测程序，使机器人能够主动重新规划先前规划的GPS轨迹。该方法可以引导机器人重新访问以前的地方，进行闭环检测以触发后端优化，从而有效地减少位姿估计中的误差和不确定性。所提出的主动闭环检测机制已经实现并嵌入到实时OSM导航的机器人绘图框架中。在几个大规模的户外场景中的实证结果证明了其有效性和有希望的表现。

本论文旨在解决自主机器人在城市环境下进行大规模场景自主建图时，由于各种因素导致机器人姿态估计误差增加，最终导致建图失败的问题。

本论文提出了一种新的主动闭环过程，使机器人能够主动重新规划之前规划的GPS轨迹，以减少姿态估计误差和不确定性。

实验结果表明，该方法有效降低了机器人姿态估计误差和不确定性。该方法已嵌入到实时OSM引导机器人建图的框架中，并在多个大规模室外场景中进行了测试。该论文还提供了数据集和开源代码。

近期的相关研究包括使用深度学习方法进行机器人建图，或者使用其他闭环检测方法，如基于图像的闭环检测。相关论文包括“DeepMapping: Unsupervised Map Estimation From Multiple Point Clouds”和“Appearance-Based Loop Closure Detection for Online Large-Scale and Long-Term Operation”。