用于压缩式变化检索的局部地图描述子

变化检测，即移动机器人在多个不同时间构建的局部地图中的异常检测，是一个在实践中难以解决的问题。大多数先前工作要么无法应用于地图集合规模较大的场景，要么简单假设机器人自身位置全局已知。本文通过将问题重新表述为地图检索问题，解决了同时自定位与变化检测的问题，并提出了一种具有压缩词袋(BoW)结构的局部地图描述子作为可扩展解决方案。我们做出如下贡献。(1) 为直接比较不同局部地图间视觉特征的空间布局，局部地图坐标系的原点（称为“视点”）通过场景解析进行规划，并由我们的“视点规划器”确定，以对自定位的小变化及环境改变保持不变性，旨在为相似场景（即相关地图对）提供相似视点。(2) 我们扩展BoW模型，以不仅利用视觉特征的外观（如polestar）而且利用其相对于规划视点的空间布局（如空间金字塔）。关键观察是，规划视点（即局部地图坐标系原点）充当了伪视点，而该伪视点通常为空间BoW（如SPM）以及异常检测（如NN-d, LOF）所需。(3) 在一个具有挑战性的“闭环”场景上的实验结果表明，所提方法在自定位上优于先前BoW方法，而且变化检测中同时使用外观与位姿信息比单独使用任一信息产生更好结果。