王红君 郝金龙 赵 辉,2 岳有军

1(天津市复杂系统控制理论及应用重点实验室 天津 300384)2(天津农学院 天津 300384)

0 引 言

近年来，同时定位与地图构建技术(Simultaneous Localization and Mapping，SLAM)在多个领域被推广应用，但仍有一些问题亟待解决。在大规模复杂场景下，SLAM系统面对复杂环境变化时精度和鲁棒性差是需要解决的主要问题，集中表现在关键帧提取困难、回环检测过程中回环位置难以确定、跟踪性能差等。其中，回环检测是移动机器人抑制累计误差的关键，通过对同一位置的重识别，SLAM系统可以对姿态和全局地图进行优化，提高系统的精度和稳定性。

在大规模复杂场景下，往往存在着摄像机视角大幅改变、地貌特征改变、大量移动物体、光照剧烈改变和天气季节改变等[1]环境条件的改变，限制了回环检测算法的使用。2013年Milford等提出的SeqSLAM是第一个大规模复杂场景下有一定效果的视觉定位系统。SeqSLAM通过当前图像序列来匹配已有最相近的图像序列，它关注的是图像序列的整体特征而不是单个图像的特征，其对季节变化拥有良好的应对能力。但SeqSLAM的准确性与图像序列的拍摄角度的一致性紧密相关[2]，采用图像序列匹配也会使尾部图像序列无效[1]，采用暴力匹配方式进行图像匹配使得计算成本随着场景规模激增。

2017年Siam等[3]提出的Fast-SeqSLAM是一种高效的SeqSLAM版本。Fast-SeqSLAM的核心是通过近似最近邻算法代替了SeqSLAM中暴力匹配的方式，从而在不降低精度的情况下降低了时间复杂度。

随着CNN的发展，AlexNet[4]、VGG[5]、GoogLeNet[6]和ResNet[7]等被用来进行图像特征的提取，解决了对象分类、场景识别和物体检测等识别问题。……