SLAM架构的两篇顶会论文解析
一． 基于superpoint的词袋和图验证的鲁棒闭环检测
标题：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
来源：IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)，2019
摘要
闭环检测（LCD）是机器人的一项关键技术，它可以在长时间探索后纠正累积的定位误差。在本文中，我们提出了一种基于superpoint的词袋和图形验证的鲁棒LCD算法。系统首先使用SuperPoint神经网络提取兴趣点和特征描述符。然后，考虑连续训练图像之间的关系，以渐进和自我监督的方式训练视觉词汇。最后，使用匹配的特征点构造拓扑图，以验证词袋（BoW）框架获得的候选循环闭合。在几个典型的数据集上使用最新的LCD算法进行了比较实验。结果表明，我们提出的图形验证方法可以显着提高图像匹配的准确性，并且整体LCD方法优于现有方法。
贡献
1. 利用SuperPoint（一个完全卷积的网络）提取关键点和描述符，这比LCD中现代使用的特征提取方法更准确。
2. 以渐进方式训练视觉词汇，充分考虑相应训练图像之间的关系。
3. 提出了一种基于拓扑图模型的新颖验证方法，以确认BoW框架获得的候选回路闭合。
图1 由我们提出的算法构建的拓扑图。红点表示选定的SuperPoint特征点，即图形的节点。绿线表示节点之间的边缘。只有两个候选图像具有相同的图结构，它们才被视为循环闭合。
图2 我们提议的框架概述。
图3 词汇建立的过程。
表1 具有100％精度的不同算法的最大调用数
图4 第3步的例证在图表大厦的。如果将结构从（a）更改为（b）后最小内角变大，则将保留更改。
图5 所提出的方法在各种数据集上的性能。
图6 在城市中心数据集中使用和不使用图形验证的算法的比较结果。
图7 在New College数据集上使用和不使用图验证的算法的比较结果。
表2 不同算法的平均执行时间（MS）。
二．持续更新地图的场景管理
标题：View management for lifelong visual maps
作者：Nandan Banerjee, Ryan C. Connolly, Dimitri Lisin, Jimmy Briggs, and Mario E. Munich
来源：IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)，2019
摘要
在基于图的视觉SLAM系统当中，观测系统和闭环系统的时间复杂度是与地图中存储的场景（view）的数量相关的函数。一些算法，比如近似最近邻搜索可以使这个函数达到亚线性的程度。尽管如此，随着时间的推移，view的数量会不断增加，终将会使系统的运行速度和精度变得不可接受，特别是在计算力和内存收到约束的SLAM系统当中。但是不是所有的场景的重要性都是一样的。有一些view很少被观测到，这是由于view可能是在非正常光照条件下创建的，或者是由低质量的图像构建而成，也有可能场景位置的外观已经发生了变化。对于这些view，可以将他们移除从而提高SLAM系统的表现。在本文中，作者提出一种在视觉SLAM系统中，去除这些view的方法，从而使系统在长时间运行时，依然能够保持速度和精度。
图1 机器人观测到的场景中的一个view，红色十字是检测到的keypoint。
图2 机器人运行十分钟后生成的图结构，其中青色倒三角形表示位姿节点，红色，黄色和绿色的倒三角分别表示新观测，稍微观测和经常观测到的view 节点。
图3 上图显示的是机器人在同一个环境中，不同的光照条件下运行多次，随着时间的推移，观测到的view的个数在增加。
图4 根据view分数进行裁剪后，环境中剩下的view的位置。图中的view的位置是不均匀分布的。
图5 在同样的环境中，应用最近邻约束后，view的位置呈现均匀分布。
图6 作者在不同的地图上进行了测试。