Scan Context Image论文阅读

文章中的ppt是paper reading时做的，一共涉及两篇文章。主要包括机器人基于lidar的定位，回环检测。

• Paper1： 1-Day Learning, 1-Year Localization: Long-Term LiDAR Localization Using Scan Context Image

  • Publication：IEEE ROBOTICS AND AUTOMATION LETTERS 2019
  • 基于激光点云，CNN，用于lifeLong场景下机器人的定位，将机器人定位问题看做分类问题

• Paper2：Scan Context: Egocentric Spatial Descriptor for Place Recognition within 3D Point Cloud Map

  • Publication： IROS2018
  • 用于激光点云slam的回环检测，和ICP初始值预测

扫描上下文（SC）将3D点云作为输入并将其平面周围区域划分为最大扇区和扇区，
这些扇区和环分别被划分为方位角和径向方向。
一个扇区和一个环的交集称为一个bin。
一个bin中的height最大值通过一个函数映射维rgb，然后展开为一个三通道的图像，称之为SCI。
源代码中一个bin中低于少于五个点认为是noise，直接忽略

在这样做的过程中，我们通过实验验证了与单通道图像训练相比的一点改 进。提出的sci比sc具有更高的分辨能力，是一种更适合cnn输入的格式。这
个过程如图3所示。我们注意到，进一步研究单色图像或彩色地图选择的网络调谐可以提高定位性能。

这个colormap映射函数

在长期定位中，我们提出了利用N向增广来实现视点不变性，以解决潜在的视点方差问题。
由于sci的列顺序指示机器人的航向，因此在训练阶段通过合成sci的视点变化相当简单（例如列移位）

ring key是一个1×rings_num的vector，每一个元素表示对应ring行中非零元素占总元素的比例
按照ring key对每一scan context建立kd tree，进行回环的时候，首先从kd tree中搜索做距离当前帧最近的ring key对应的index，然后找到候选帧，然后计算距离.

搜索回环的时候不是从所有历史帧里面进行搜索，而是在ring的kd tree里面进行搜索，选取候选帧, scan context 50