Introducción al cierre de bucles: cómo corregir la deriva de un sistema SLAM de una sola vez, alrededor de un bucle.

La odometría se desvía ligeramente con cada distancia recorrida, y la suma sigue aumentando. Cuando un robot da vueltas a una habitación y regresa a su punto de partida, un sistema que solo considera el fotograma más reciente no puede detectar el error, incluso si su posición actual en el mapa difiere del punto de partida en decenas de centímetros. El cierre de bucle descubre que la vista actual coincide con una vista anterior y utiliza esa restricción de "mismo lugar" para reconstruir la trayectoria completa del bucle.

0. Resumen de 30 segundos

• El cierre de bucle se basa en dos etapas: la recuperación de posibles lugares y la confirmación geométrica de si realmente se trata del mismo lugar.

• El modelo de bolsa de palabras, los descriptores de imagen globales y el reconocimiento de lugares basado en aprendizaje recuperan rápidamente los candidatos; la re-coincidencia de características y RANSAC eliminan los falsos positivos.

• La restricción detectada se añade a un grafo de poses, y la optimización del grafo SE(2)/SE(3) corrige suavemente las poses anteriores. El mapa local conserva el error de reproyección. Las estaciones, la iluminación, el movimiento de muebles y los pasillos de aspecto similar generan bucles falsos. Verifique con múltiples criterios: intervalo de tiempo, distancia recorrida, número de coincidencias y consistencia del mapa.

El cierre de bucles no es una solución mágica que corrige el mapa al instante. Aceptar una detección falsa distorsiona todo el mapa, por lo que es fundamental utilizar umbrales conservadores y un diseño reversible.

1. Escribir la restricción de bucle como una ecuación

Diagram 1 · Use the button to switch views

Figura 1: El reconocimiento de lugar propone un candidato, la verificación geométrica admite una arista de bucle y la optimización robusta del grafo de poses distribuye la deriva acumulada a lo largo de la trayectoria. Un candidato rojo no se acepta incondicionalmente.

Sea T_i\in SE(3) la pose en el instante i y Z_{ij} la observación de la pose relativa cuando el instante j vuelve a visitar el mismo lugar. El residuo de la restricción de bucle se puede escribir como:

\mathrm{Log} es la Mapa logarítmico que transforma una transformación rígida en una rotación y traslación infinitesimal de 6 dimensiones. Al combinar las aristas de odometría \mathcal E_o con las aristas de bucle \mathcal E_l, la optimización del grafo de poses se convierte en:

donde \Omega_{ij} es la matriz de información y \rho una función de pérdida robusta como la de Huber. Incluso añadir una sola arista de bucle permite que el error acumulado a lo largo de una trayectoria extensa se distribuya por todo el grafo.

2. Búsqueda de candidatos: Convertir una imagen en una "Bolsa de Palabras"

La Bolsa de Palabras (BoW) cuantifica los descriptores locales en un histograma de palabras visuales y calcula la similitud con fotogramas clave anteriores mediante la frecuencia inversa de documentos (IDF). Los sistemas de la familia ORB-SLAM combinan un descriptor ORB ligero con un árbol de vocabulario, reduciendo los candidatos a un pequeño número sin comparar cada fotograma con todo el mapa.

Un descriptor global Comprime la imagen completa en un solo vector para recuperar escenas de aspecto similar. Los métodos basados en aprendizaje, como NetVLAD, CosPlace y EigenPlaces, aprenden representaciones robustas a los cambios de iluminación y perspectiva, pero su rendimiento varía en edificios, tierras de cultivo o fábricas diferentes a sus regiones de entrenamiento. La recuperación de candidatos se encarga de la velocidad, y la verificación geométrica de la precisión; no se debe confiar únicamente en una de ellas.

3. Verificación geométrica: La similitud no basta para cerrar el círculo

Los descriptores se vuelven a comparar a partir de la imagen candidata para obtener correspondencias. Para una cámara monocular, se estima una matriz esencial/fundamental mediante RANSAC; si existen puntos de mapa conocidos, se utiliza PnP; para texturas planas, se utiliza una homografía. Comprobar el número de puntos coincidentes, el error de reproyección, si la profundidad es positiva y si la diferencia de perspectiva es físicamente plausible aumenta la confianza en que el candidato sea realmente el mismo lugar.

Un bucle falso es peligroso porque la optimización del grafo deformará el mapa dándole una forma coherente con una observación errónea, aunque se base en ella. Dos Es difícil distinguir pasillos similares, una hilera de ventanas, surcos en un campo o estanterías en una fábrica solo con el ajuste de haces (BoW). Excluya los fotogramas demasiado cercanos en el tiempo de los candidatos y exija coincidencias consistentes en múltiples fotogramas clave consecutivos y concordancia con un sensor independiente (IMU/LiDAR/GNSS).

4. Actualización del grafo de poses y el mapa

Después de agregar un borde de bucle, optimice primero solo las poses de los fotogramas clave mediante el grafo de poses y haga que los puntos del mapa sigan las poses. Para un mapa a gran escala, separar el mapa local de la pose global, en lugar de ejecutar el ajuste de haces en cada punto cada vez, facilita la preservación del rendimiento en tiempo real. Una vez finalizada la optimización, actualice la transformación map→odom actual y diseñe de manera que odom→base_link, que prioriza la continuidad, nunca sufra saltos bruscos.

En términos de ROS 2 TF2, la odometría local publica odom→base_link y la corrección global de SLAM se ajusta. map→odom . Suaviza temporalmente la corrección para que el cuerpo del robot no parezca teletransportarse al cerrar el bucle. Sin embargo, un suavizado demasiado agresivo para ocultar la diferencia entre el mapa y el mundo real provoca que la navegación siga utilizando una posición obsoleta, por lo que se debe registrar la magnitud de la corrección y el tiempo durante el cual se aplica.

5. Entornos propensos a fallos

6. Lista de verificación de implementación

1. Almacenar la imagen, la marca de tiempo, la pose y los descriptores de características de cada fotograma clave.

2. Excluir los fotogramas recientes de los candidatos y recuperar algunos candidatos anteriores mediante descriptores BoW/globales.

3. Verificar geométricamente las correspondencias, aplicando un umbral al número de puntos coincidentes, el error de reproyección y la profundidad positiva.

4. Confirmar que el mismo candidato se mantiene en varios fotogramas en diferentes momentos.

5. Agregar la arista del bucle al grafo de poses y ejecutar una optimización robusta.

6. Registrar la magnitud de la corrección, los motivos de rechazo y el tiempo de cálculo. Hacer que los bucles falsos sean reversibles.

7. Direcciones de investigación

La investigación actual se orienta hacia la robustez de la recuperación de imágenes mediante el aprendizaje auto-supervisado a gran escala, compartiendo descriptores entre modalidades LiDAR, de cámara y de cámara de eventos, y actualizando los mapas a largo plazo estacionalmente. También se están realizando intentos de utilizar nuevas tecnologías. Representaciones de escenas como NeRF y 3D Gaussian Splatting para el reconocimiento de lugares, aunque es necesario verificar la velocidad de inferencia, el consumo de memoria, los objetos dinámicos, las licencias y la reproducibilidad.

En fábricas y terrenos agrícolas, donde se repiten pasillos o surcos de forma idéntica, el cierre de bucle basado únicamente en imágenes tiende a ser ambiguo. El uso de trayectorias de implementos, IMU, odometría de ruedas, RTK-GNSS y límites de trabajo mapeados como conocimiento previo para restringir el rango de búsqueda de candidatos reduce las falsas detecciones. Al llevar un prototipo de investigación al campo, establezca desde el principio un procedimiento operativo en el que, si se detecta un bucle falso, el mapa se congela y se puede reinicializar manualmente.

8. Conclusión

El cierre de bucle es un proceso de tres etapas: recuperación de imágenes que evoca una escena pasada, verificación geométrica que demuestra que se trata del mismo lugar y optimización que distribuye el error en todo el grafo. No cierre un bucle basándose únicamente en BoW o puntuaciones de descriptores aprendidos; confirme las correspondencias, la concordancia de los sensores y la continuidad temporal. Si se maneja correctamente, el cierre de bucle El cierre corrige la deriva de la odometría en todo el mapa y mantiene la autolocalización de un robot en funcionamiento prolongado consistente.

Referencias

• ORB-SLAM3
• DLoopDetector: Detección de bucles basada en la apariencia
• Gálvez-López y Tardós, Bolsas de palabras binarias
• NetVLAD
• Documentación de ROS 2 TF2