刘洋洋，魏国亮，管 启，王 远

1(上海理工大学 光电信息与计算机工程学院，上海 200093)

2(上海理工大学 理学院，上海 200093)

1 引 言

实时定位与地图构建(Simultaneous Localization and Mapping，SLAM)是机器人在未知环境下自主导航的一个核心问题.近年来，随着SLAM技术的发展，基于相机的视觉SLAM因为低廉的价格受到越来越多研究者的关注.基于视觉的闭环检测是视觉SLAM的一个重要环节，主要通过图像识别曾经到过的场景.闭环检测对减小系统产生的累计误差，建立全局一致性地图至关重要.

目前基于视觉的闭环检测算法主要分为4类：1)基于视觉词袋模型(Bag of Visual Word，BoVW)的闭环检测方法.该方法比较经典的工作为FAB-MAP[1].但是基于词袋的方法只关注单词本身忽略了单词之间位置关系，因此容易出现一定程度的感知偏差[2]；2)基于局部特征的闭环检测方法.近年来，出现了许多高效局部特征提取算法，推动了闭环检测的发展，如SURF[3]，ORB[4]，BRISK[5]等；3)基于全局特征的闭环检测方法.例如，Oliva等人提出的Gist全局特征[6]，Sunderhauf等人的BRIEF-Gist全局特征[7]；4)基于组合特征的闭环检测算法.此方法将多种图像特征进行组合，避免了单一图像特征的局限性.这方面突出的工作是Wang等人提出的结合全局特征和局部特征的拓扑地图定位算法[8]，其使用由粗到细的场景匹配策略.

不同于传统的图像特征提取方案，基于深度学习的图像特征提取也是闭环检测发展的重要方向，该特征对光照、遮挡和视角变化都有较强的鲁棒性.使用该特征的闭环检测对复杂环境拥有更好……