通过离散-连续图模型建模 SLAM 中的感知混叠

感知混叠是在野外运行的同步定位与地图构建（SLAM）系统失败的主要原因之一。感知混叠是指不同地点产生相似视觉（或一般而言感知）足迹的现象。这导致伪测量被送入 SLAM 估计器，通常造成定位与建图结果错误。问题在于这些离群值高度相关，即感知混叠产生大量相互一致的离群值，从而使问题恶化。另一个问题源于大多数前沿技术依赖给定的轨迹猜测（例如来自里程计）来区分内点与离群值，这使得所得流程脆弱，因为误差累积可能导致错误选择且从故障中恢复远非易事。本工作提供统一框架来建模 SLAM 中的感知混叠，并提供不依赖任何初始猜测即可应对离群值的实用算法。我们提出两项主要贡献。其一是用于 SLAM 的离散-连续图模型（DC-GM）：DC-GM 的连续部分捕捉标准 SLAM 问题，而离散部分描述离群值的选择并建模其相关性。第二个贡献是一种半定松弛，用于在 DC-GM 中执行推断，返回具有可证明次优性保证的估计。在标准基准数据集上的实验结果表明，所提技术与前沿方法相比具有优势，且优化不依赖初始猜测。