人在回路中的 SLAM（Human-in-the-Loop SLAM）

构建大规模、全局一致的地图是一项具有挑战性的问题，在访问受限、特征稀疏的环境或使用新手用户采集的数据时更为困难。针对最先进建图算法会产生全局不一致地图的此类场景，我们提出了一种融入稀疏人工修正的系统方法，称之为人在回路同步定位与建图（HitL-SLAM）。给定一个用于位姿图 SLAM 的初始因子图，HitL-SLAM 接受近似的、可能含错且秩亏的人工输入，通过期望最大化（EM）推断预期修正，将提取的修正反向传播到位姿图上，最终将包含人工输入作为人工修正因子项的因子图联合优化，以生成全局一致的大规模地图。因此我们贡献了一种用于推断可能秩亏的人工建图修正的 EM 公式，以及用于位姿图 SLAM 的因子图的人工修正因子扩展，从而形成了一种在联合优化位姿图的同时考虑多种人工修正形式的系统性方法。我们给出的实证结果表明，即便给定较差的地图初始估计，HitL-SLAM 也能有效生成全局准确且一致的地图。