(IROS 2020)Are We Ready for Service Robots? The OpenLORIS-Scene Datasets for Lifelong SLAM

一个针对室内服务机器人的lifelong SLAM数据集。

下载链接

数据集传送门：lifelong-robotic-vision.github.io/dataset/scene
数据集传送门：https://shimo.im/docs/HhJj6XHYhdRQ6jjk/read

具体内容

在这里插入图片描述

(ICRA 2012)Practice Makes Perfect? Managing and Leveraging Visual Experiences for Lifelong Navigation

在这里插入图片描述

这篇文章提出了一个叫做经验的概念，意思是对同一个地方多次观测都被叫做经验。反复经过几个地方就是在积累经验。如果根据现有经验定位在某一个失败了，我们将其归咎于经验不够导致的错误的数据关联，从而进一步存储针对这个地方的新的经验。根据在不同的场景下积累经验，企图获得一条完整的轨迹非常困难，因为缺乏数据的对应关系。
在这里插入图片描述

经验积累

就像上面那个图，Epoch B在experience 1里定位失败了，但在experience 2里成功了，定位成功的experience过少（少于一定比例），我们就需要存储Epoche B上面给定的VO数据输出作为新的经验。在Epoch A和Epoch C中，能定位成功的经验非常多，因此我们不存储他们的VO输出作为新的experience。对于VO来说，经验指的就是relative poses and feature locations。当访问同一个区域的时候，Upon revisiting an area, localisation is attempted in all previous experiences that are relevant to the area。有关于这一区域的所有经验都会被尝试用来定位。

塑性地图

We denote experiences by E andrefer to the jth experience as jE. The set of all experiences creates the plastic map。塑性地图其实就是由一堆经验组成的，经验前面已经说过是啥了。往塑性地图里加经验的方法如下：
在这里插入图片描述

这个算法里，允许的最小经验数量越大，系统就越来越鲁棒。但是个人认为，如果同一个地方环境变化不大，却被强行安排了一大堆的经验，是不是太浪费储存空间。同一个地方的不同经验被分别保存，而不是合并、求平均等操作，目的是保证显式解决数据关联的问题。

创建地点

When Fk is simultaneously localised in more than one experience we can create a place. By querying each successful localiser for its nearest node, we can create a place with the set {jEm}k.当一帧图像能够同时被好几个经验定位，我们找成功定位的这几次经验中离我这一帧最近的节点，为这几个节点来创建一个place地点。However it is also possible a previously created place contains some of these nodes, in which case we merge the sets created from Fk and the previous place.如果被找到的节点，被之前产生的地点所包含，我们就把当前这一帧产生的place与之前的place合并：
在这里插入图片描述

就像上面的图片里，A和B被合并成了C地点，地点是被用来连接不同的经验的。 We require the ability to query all places with a set of experience nodes, and receive the set of places which contain these nodes. 算法要求能够利用一系列经验来检索所有的地点，并且能够收到一系列地点来包含这些节点。

(IROS2009)Towards Lifelong Visual Maps

这篇文章是willow garage团队发的一个关于双目视觉lifelong mapping的一篇论文。他们认为，lifelong mapping解决下面三个问题：

增量地图
动态环境
定位和里程计失效

作者说自己有两大贡献：其一是提出了一套lifelong mapping的框架，能够进行地图缝合和修补，重定位，删除地图以保持效率。其二就是他这个删除的方法非常秀，有利于重定位。

骨架图和frameSLAM

整体的流程和keyframe based SLAM一样，定义了两帧ci和cj之后，可以有：
在这里插入图片描述
那个诡异的圆形符号就是俩位姿做差的意思，The covariance expresses the strength of the constraint, and arises from the geometric matching step that generates the constraint. 协方差就是匹配是生成的，表示这个约束的强弱。

视角删除

view deletion指从骨架图中删除view，具体就是下面的公式，删除了t1之后留下t0和t2:
在这里插入图片描述

环境类型

在这里插入图片描述

作者主要把环境分为了5种：

In a completely static scene, a view will continue to match all view that come after it.
In a static scene with some small changes (e.g., dishes or chairs being moved),
there will be a slow degradation of the matching score over time, stabilizing to the score for features in the static areas.
If there is a large, abrupt change (e.g., a large poster moved), then there is a large falloff in the matching score.
There are changes that repeat, like a door opening and closing, that lead to occasional spikes in the response graph.
Finally, a common occurrence is an ephemeral view, caused by almost
complete occlusion by a dynamic object such as a person – this view matches nothing subsequently.

进一步地，我们需要对这些环境种类进行聚类。
在这里插入图片描述这个c衡量两帧之间地接近程度，m代表两帧中特征较少那一帧地特征点个数，m_tilde指的是匹配上的特征点个数。当两帧完全匹配了，c就是0。一个聚类就是一个view集合的最大连通子图。