隨著路徑的不斷延伸，機器人在建圖過程中會存在一些累計誤差，除了利用局部優化、全局優化等來調整之外，還可以利用回環檢測來優化位姿。

　　什么是回環檢測？

　　回環檢測，又稱閉環檢測，是指機器人識別曾到達某場景，使得地圖閉環的能力。說的簡單點，就是機器人在左轉一下，右轉一下建圖的時候能意識到某個地方是“我”曾經來過的，然后把此刻生成的地圖與剛剛生成的地圖做匹配。

　　回環檢測成功

　　回環檢測之所以能成為一個難點，是因為：如果回環檢測成功，可以顯著地減小累積誤差，幫助機器人更精準、快速的進行避障導航工作。而錯誤的檢測結果可能使地圖變得很糟糕。因此，回環檢測在大面積、大場景地圖構建上是非常有必要的 。

　　回環檢測失敗

　　如何提升機器人回環檢測能力？

　　那么，怎么才能讓機器人的回環檢測能力得到一個質的提升呢？首先要有一個算法上的優化。

　　1. 基于圖優化的SLAM算法

　　基于圖優化的SLAM 3.0 算是提升機器人回環檢測能力的一大突破。

　　SLAM 3.0采用圖優化的方式進行建圖，進行了圖片集成與優化處理，當機器人運動到已經探索過的原環境時，SLAM 3.0可依賴內部的拓撲圖進行主動式的閉環檢測。當發現了新的閉環信息后，SLAM 3.0使用Bundle Adjuestment(BA)等算法對原先的位姿拓撲地圖進行修正（即進行圖優化），從而能有效的進行閉環后地圖的修正，實現更加可靠的環境建圖。

　　SLAM 3.0閉環檢測

　　SLAM 3.0環路閉合邏輯：先小閉環，后大閉環 ；選擇特征豐富的點作為閉環點；多走重合之路，完善閉環細節。即使在超大場景下建圖，也不慌。

超大場景下建圖完整閉合過程

　　2.詞袋模型

　　除了SLAM算法的升級和優化之外，現在還有很多系統采用成熟的詞袋模型方法來幫助機器人完成閉環，說的簡單點就是把幀與幀之間進行特征比配。

　　1、從每幅圖像中提取特征點和特征描述，特征描述一般是一個多維向量，因此可以計算兩個特征描述之間的距離；

　　2、將這些特征描述進行聚類（比如k－means），類別的個數就是詞典的單詞數，比如1000；也可以用Beyes、SVM等；

　　3、將這些詞典組織成樹的形式，方便搜索。

　　
利用這個樹，就可以將時間復雜度降低到對數級別，大大加速了特征匹配。

　　3.相似度計算

　　這種做法是從外觀上根據兩幅圖像的相似性確定回環檢測關系，那么，如何確定兩個地圖之間的相關性呢？

　　比如對于圖像A和圖像B，我們要計算它們之間的相似性評分：s(A,B)。如果單單用兩幅圖像相減然后取范數，即為： s(A,B)=||AB||s(A,B)=||AB||。但是由于一幅圖像在不同角度或者不同光線下其結果會相差很多，所以不使用這個函數。而是使用相似度計算公式。

　　這里，我們提供一種方法叫TF-IDF。

　　TF的意思是：某特征在一幅圖像中經常出現，它的區分度就越高。另一方面，IDF的思想是，某特征在字典中出現的頻率越低，則分類圖像時的區分度越高。

　　對于IDF部分，假設所有特征數量為n，某個節點的Wi所含的數量特征為Ni，那么該單詞的IDF為：

　　TF是指某個特征在單副圖像中出現的頻率。假設圖像A中單詞Wi出現了N次，而一共出現的單詞次數是n，那么TF為：

　　于是Wi的權重等于TF乘IDF之積，即：

　　考慮權重以后，對于某副圖像，我們可以得到許多個單詞，得到BOW：

　　（A表示某幅地圖）

　　如何計算倆副圖像相似度，這里使用了L1范數形式：

　　4.深度學習及其他

　　除了上面的幾種方式之外，回環檢測也可以建成一個模型識別問題，利用深度學習的方法幫助機器人完成回環檢測。比如：決策樹、SVM等。

　　……

　　最后，當回環出現以后，也不要急著就讓機器人停止運動，要繼續保持運動，多走重合的路，在已經完成閉合的路徑上，進一步掃圖完善細節。

　　繼續走重合之路，完善閉環細節