基于词组的循环闭合检测（BoWG）：感知别名环境下的稳健高效方法
计算机视觉与模式识别
2025-10-28 v1 机器人学
摘要
循环闭合是同步定位与地图构建（SLAM）系统中的关键技术，旨在减少累积漂移并确保全局地图一致性。然而，传统方法在感知别名环境（如狭窄管道）中常面临向量量化、特征稀疏和重复纹理导致的问题，而现有解决方案往往计算成本高昂。本文提出了Bag-of-Word-Groups（BoWG），一种新的循环闭合检测方法，实现了卓越的精确率-召回率、稳健性和计算效率。核心创新在于引入词组（word groups），通过捕捉视觉词的空间共现与邻近关系，在线构建词典。此外，借鉴概率性转移模型的思路，我们在相似度计算中直接融入时间一致性，并采用自适应方案，显著提升了精确率-召回率性能。方法还通过特征分布分析模块和专门的后验验证机制得到强化。为评估方法有效性，我们在公开数据集和自构建的狭窄管道数据集上进行实验。结果表明，BoWG在精确率-召回率和计算效率方面超越了包括传统方法和学习方法在内的多种最先进技术。我们的 approach 展现出优异的可扩展性，在Bicocca25b数据集的17,565张图像中，平均处理时间仅为16毫秒。
引用
@article{arxiv.2510.22529,
title = {Bag-of-Word-Groups (BoWG): A Robust and Efficient Loop Closure Detection Method Under Perceptual Aliasing},
author = {Xiang Fei and Tina Tian and Howie Choset and Lu Li},
journal= {arXiv preprint arXiv:2510.22529},
year = {2025}
}
备注
This paper has been accepted by IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2025