随着路径的大大伸延，机器人开建图过程中不会不存在一些总计误差，除了利用局部优化、全局优化等来调整之外，还可以利用回环检测来优化位姿。什么是回环检测？回环检测，又称闭环检测，是指机器人辨识曾到达某场景，使得地图闭环的能力。

说道的非常简单点，就是机器人在左转一下，右转一下建图的时候能意识到某个地方是“我”曾多次来过的，然后把此刻分解的地图与刚分解的地图做到给定。回环检测顺利回环检测之所以能沦为一个难题，是因为：如果回环检测顺利，可以明显地增大积累误差，协助机器人更加精准、较慢的展开避障导航系统工作。而错误的检测结果有可能使地图显得很差劲。

因此，回环检测在大面积、大场景地图建构上是十分有适当的。回环检测告终如何提高机器人回环检测能力？那么，怎么才能让机器人的回环检测能力获得一个质的提高呢？首先要有一个算法上的优化。1、基于图优化的SLAM算法基于图优化的SLAM3.0却是提高机器人回环检测能力的众多突破。SLAM3.0使用图优化的方式展开建图，展开了图片构建与优化处置，当机器人运动到早已探寻过的原环境时，SLAM3.0可倚赖内部的拓扑图展开主动式的闭环检测。

当找到了新的闭环信息后，SLAM3.0用于BundleAdjuestment(BA)等算法对原本的位姿流形地图展开修正（即展开图优化），从而能有效地的展开闭环后地图的修正，构建更为可信的环境建图。SLAM3.0闭环检测SLAM3.0环路开口逻辑：再行小闭环，后大闭环；自由选择特征非常丰富的点作为闭环点；多回头重合之路，完备闭环细节。即使在超大场景下建图，也不慌。

超大场景下建图原始开口过程2、词袋模型除了SLAM算法的升级和优化之外，现在还有很多系统使用成熟期的词袋模型方法来协助机器人已完成闭环，说道的非常简单点就是把帧与帧之间展开特征比配。1、从每幅图像中萃取特征点和特征描述，特征描述一般是一个多维向量，因此可以计算出来两个特征描述之间的距离；2、将这些特征描述展开聚类（比如k－means），类别的个数就是词典的单词数，比如1000；也可以用Beyes、SVM等；3、将这些词典的组织成树的形式，便利搜寻。

利用这个树根，就可以将时间复杂度减少到对数级别，大大加快了特征给定。3、相近度计算出来这种作法就是指外观上根据两幅图像的相似性确认回环检测关系，那么，如何确认两个地图之间的相关性呢？比如对于图像A和图像B，我们要计算出来它们之间的相似性评分：s(A,B)。如果起码用两幅图像相加然后所取范数，即为：s(A,B)=||A?B||s(A,B)=||A?B||。但是由于一幅图像在有所不同角度或者有所不同光线下其结果不会差距很多，所以不用于这个函数。

而是用于相近度计算公式。这里，我们获取一种方法叫TF-IDF。TF的意思是：某特征在一幅图像中经常出现，它的区分度就越高。另一方面，IDF的思想是，某特征在字典中经常出现的频率就越较低，则分类图像时的区分度越高。

对于IDF部分，假设所有特征数量为n，某个节点的Wi含有的数量特征为Ni，那么该单词的IDF为：TF是指某个特征在单副图像中经常出现的频率。假设图像A中单词Wi经常出现了N次，而一共经常出现的单词次数是n，那么TF为：于是Wi的权重相等TF乘IDF之乘积，即考虑到权重以后，对于某副图像，我们可以获得许多个单词，获得BOW：（A回应某幅地图）如何计算出来俩副图像相近度，这里用于了L1范数形式：4、深度自学及其他除了上面的几种方式之外，回环检测也可以竣工一个模型辨识问题，利用深度自学的方法协助机器人已完成回环检测。

比如：决策树、SVM等。……最后，当回环经常出现以后，也不要缓着竟然机器人暂停运动，要之后维持运动，多回头重合的路，在早已已完成开口的路径上，更进一步扫图完备细节。

本文来源：米乐-www.passione-legame.com