可扩展且高效的层次化视觉拓扑建图

层次化拓扑表示可以显著减少建图与定位算法中的搜索时间。尽管最近的研究展示了此类方法的潜力，但在该背景下，对不同全局特征表示的适用性及比较性能的关注仍然有限。在本工作中，我们在基准数据集上使用层次化拓扑建图技术评估了最先进的手工设计与学习的全局描述子，并展示了全局描述子影响的综合评估结果。尽管学习型描述子已被纳入位置识别方法以提高检索精度并增强整体召回率，但在应用于更长轨迹时，大多数研究尚未充分解决可扩展性与效率问题。基于我们对多次运行的实证分析，我们识别出连续性与独特性是最佳全局描述子的关键特征，能够实现高效且可扩展的层次化建图，并提出了一种量化和对比不同全局描述子这些特征的方法。我们的研究表明，使用基于无监督学习变分自编码器（VAE）的全局描述子在这些特征上表现优异，并实现了显著更低的运行时间。它在消费级台式机上运行，在所评估的最长轨迹（St Lucia，17.6 km）上，比次优的全局描述子 NetVLAD 快达 2.3 倍，比手工设计的描述子 PHOG 快达 9.5 倍，且不牺牲整体召回性能。