Place Recognition and Loop Closure

Place Recognition は、現在の observation が過去に訪れた場所と同じ場所かどうかを判定する task です。Loop Closure は、その判定を使って SLAM の累積誤差を修正する処理です。

なぜ必要か

Visual Odometry や SLAM では、frame 間の motion estimation を積み重ねるため、時間とともに drift が蓄積します。Robot が以前訪れた場所へ戻ったときに loop closure を検出できれば、trajectory と map 全体を修正できます。

Place recognition

Place recognition では、現在 frame または local map を database と照合し、過去の keyframe と似ているかを判定します。代表的な approach は次の通りです。

Bag-of-Visual-Words による image retrieval
Global descriptor による nearest-neighbor search
Learned descriptor による visual place recognition
LiDAR scan context のような scan descriptor

ORB-SLAM では、ORB feature に基づく bag-of-words database が loop candidate 検出に使われます。

Loop closure verification

Place recognition の候補には false positive が含まれるため、幾何学的 verification が必要です。候補 keyframe との feature matching、essential matrix、PnP、Sim(3) estimation などで整合性を確認します。

Monocular SLAM では scale drift が起こるため、similarity transform $\text{Sim}(3)$ による alignment が重要になることがあります。

Pose graph optimization

Loop closure が確認されると、pose graph に loop constraint を追加し、global optimization を行います。これにより、trajectory 全体の drift が分散・修正され、map の一貫性が改善します。

難しいケース

Perceptual aliasing: 違う場所が似て見える場合
Appearance change: 照明、季節、天候、時間帯の変化
Dynamic object
Long-term operation による scene change
Large viewpoint change

主なソース

ORB-SLAM paper: https://arxiv.org/abs/1502.00956
DBoW2 library: https://github.com/dorian3d/DBoW2
NetVLAD paper: https://arxiv.org/abs/1511.07247
Cadena et al., “Past, Present, and Future of SLAM”: https://arxiv.org/abs/1606.05830

なぜ必要か​

Place recognition​

Loop closure verification​

Pose graph optimization​

難しいケース​

関連ページ​

主なソース​