Panduan Penutupan Loop — Memperbaiki Penyimpangan Sistem SLAM Sekaligus, Mengelilingi Sebuah Loop

Odometri sedikit bergeser dengan setiap jarak yang ditempuh, jumlahnya terus bertambah. Ketika robot mengelilingi ruangan dan kembali ke titik awalnya, sistem yang hanya melihat frame terbaru tidak dapat mendeteksi kesalahan tersebut, bahkan jika posisi saat ini di peta bergeser puluhan sentimeter dari titik awal. Penutupan loop menemukan bahwa tampilan saat ini cocok dengan tampilan sebelumnya, dan menggunakan batasan "tempat yang sama" tersebut untuk menyatukan kembali lintasan di sekitar seluruh loop.

0. Ringkasan 30 Detik

• Penutupan loop dibangun dari dua tahap: mengambil kandidat tempat, dan secara geometris mengkonfirmasi apakah tempat tersebut benar-benar tempat yang sama.
• Bag-of-Words, deskriptor gambar global, dan pengenalan tempat berbasis pembelajaran mengambil kandidat dengan cepat; pencocokan ulang fitur dan RANSAC kemudian menghilangkan positif palsu.

• Batasan yang terdeteksi ditambahkan ke grafik pose, dan optimasi grafik SE(2)/SE(3) dengan lancar mengoreksi pose sebelumnya. Peta lokal mempertahankan kesalahan reproyeksi.

• Musim, pencahayaan, perabot yang dipindahkan, dan koridor yang tampak serupa semuanya menghasilkan loop palsu. Verifikasi dengan beberapa kriteria: interval waktu, jarak tempuh, jumlah inlier, dan konsistensi peta.

• Penutupan loop bukanlah "trik sulap yang membuat peta langsung benar." Menerima deteksi palsu akan mengubah seluruh peta secara tidak benar, jadi ambang batas konservatif dan desain yang dapat dibalik sangat penting.

1. Menulis Batasan Loop sebagai Persamaan

Diagram 1 · Use the button to switch views

Gambar 1 — Pengenalan tempat mengusulkan kandidat, verifikasi geometris menerima tepi loop, dan optimasi grafik pose yang kuat mendistribusikan pergeseran yang terakumulasi di sepanjang lintasan. Kandidat merah tidak diterima tanpa syarat.

Misalkan pose pada waktu i adalah T_i\in SE(3), dan misalkan Z_{ij} adalah pengamatan pose relatif ketika waktu j mengunjungi kembali tempat yang sama. Sisa dari batasan loop dapat ditulis

\mathrm{Log} adalah logaritma Peta yang membawa transformasi kaku ke rotasi dan translasi infinitesimal 6 dimensi. Menggabungkan tepi odometri \mathcal E_o dengan tepi loop \mathcal E_l, optimasi pose-graph menjadi

di mana \Omega_{ij} adalah matriks informasi dan \rho adalah kerugian yang kuat seperti Huber. Menambahkan bahkan satu tepi loop memungkinkan kesalahan yang terakumulasi selama lintasan panjang didistribusikan ke seluruh grafik.

2. Menemukan Kandidat: Mengubah Gambar menjadi "Bag of Words"

Bag-of-Words (BoW) mengkuantisasi deskriptor lokal menjadi histogram kata visual, dan menghitung kesamaan terhadap keyframe sebelumnya menggunakan frekuensi dokumen terbalik (IDF). Sistem keluarga ORB-SLAM memasangkan deskriptor ORB ringan dengan pohon kosakata, mempersempit kandidat menjadi beberapa tanpa membandingkan setiap frame dengan seluruh peta.

Deskriptor global mengompres seluruh Menggabungkan gambar menjadi satu vektor untuk mengambil adegan yang tampak serupa. Metode berbasis pembelajaran seperti NetVLAD, CosPlace, dan EigenPlaces mempelajari representasi yang kuat terhadap perubahan pencahayaan dan sudut pandang, tetapi kinerjanya bergeser di bangunan, lahan pertanian, atau pabrik yang berbeda dari wilayah pelatihannya. Pengambilan kandidat menangani kecepatan, dan verifikasi geometris menangani akurasi — Anda tidak boleh hanya mengandalkan salah satunya.

3. Verifikasi Geometris: Tampak Serupa Saja Tidak Cukup untuk Menutup Lingkaran

Deskriptor dicocokkan ulang dari gambar kandidat untuk mendapatkan korespondensi. Untuk kamera monokuler, perkirakan matriks Esensial/Fundamental melalui RANSAC; jika titik peta yang diketahui ada, gunakan PnP; untuk tekstur planar, gunakan homografi. Memeriksa jumlah inlier, kesalahan reproyeksi, apakah kedalaman positif, dan apakah perbedaan sudut pandang secara fisik masuk akal meningkatkan kepercayaan bahwa kandidat tersebut benar-benar tempat yang sama.

Lingkaran palsu berbahaya karena optimasi grafik akan mengubah peta menjadi bentuk yang konsisten dengan — meskipun berdasarkan — pengamatan yang salah. Dua gambar serupa Koridor, deretan jendela, alur di ladang, atau rak di pabrik sulit dibedakan hanya dengan BoW. Kecualikan frame yang terlalu dekat waktunya dengan kandidat, dan perlukan kecocokan yang konsisten di beberapa keyframe berurutan dan kesepakatan dengan sensor independen (IMU/LiDAR/GNSS).

4. Memperbarui Grafik Pose dan Peta

Setelah menambahkan tepi loop, pertama-tama optimalkan hanya pose keyframe melalui grafik pose, dan buat titik-titik peta mengikuti pose tersebut. Untuk peta skala besar, memisahkan peta lokal dari pose global, daripada menjalankan Bundle Adjustment pada setiap titik setiap saat, membuatnya lebih mudah untuk mempertahankan kinerja waktu nyata. Setelah optimasi selesai, perbarui transformasi map→odom saat ini, dan rancang agar odom→base_link, yang memprioritaskan kontinuitas, tidak pernah tiba-tiba melonjak.

Dalam istilah ROS 2 TF2, odometri lokal mempublikasikan odom→base_link, dan koreksi global SLAM menyesuaikan map→odom . Haluskan koreksi secara temporal agar badan robot tidak tampak berteleportasi pada saat penutupan loop. Namun, penghalusan yang terlalu agresif untuk menyembunyikan celah antara peta dan dunia nyata menyebabkan navigasi terus menggunakan posisi yang usang, jadi catat besaran koreksi dan waktu penerapannya.

5. Lingkungan yang Rentan terhadap Kegagalan

6. Daftar Periksa Implementasi

1. Simpan gambar, stempel waktu, pose, dan deskriptor fitur setiap keyframe.

2. Kecualikan frame terbaru dari kandidat, dan ambil beberapa kandidat masa lalu melalui deskriptor BoW/global.

3. Verifikasi korespondensi secara geometris, ambang batas pada jumlah inlier, kesalahan reproyeksi, dan kedalaman positif.

4. Konfirmasikan bahwa kandidat yang sama berlaku di beberapa frame pada waktu yang berbeda.

5. Tambahkan tepi loop ke grafik pose dan jalankan optimasi yang kuat.

6. Catat besaran koreksi, alasan penolakan, dan waktu komputasi. Buat loop palsu dapat dibalik.

7. Arah Penelitian

Penelitian saat ini bergerak ke arah membuat pengambilan gambar yang kuat melalui pembelajaran mandiri skala besar, berbagi deskriptor Di seluruh modalitas LiDAR, kamera, dan kamera peristiwa, serta pembaruan peta jangka panjang secara musiman. Ada juga upaya untuk menggunakan representasi adegan baru seperti NeRF dan 3D Gaussian Splatting untuk pengenalan tempat, meskipun kecepatan inferensi, jejak memori, objek dinamis, perizinan, dan reproduksibilitas semuanya perlu diperiksa.

Di pabrik dan lahan pertanian, di mana lorong atau alur dengan bentuk identik berulang, penutupan loop hanya berdasarkan gambar cenderung ambigu. Menggunakan jalur implement, IMU, odometri roda, RTK-GNSS, dan batas kerja yang dipetakan sebagai pengetahuan awal untuk membatasi rentang pencarian kandidat mengurangi deteksi palsu. Saat membawa prototipe penelitian ke lapangan, tetapkan dari awal prosedur operasional di mana, jika loop palsu terdeteksi, peta dibekukan dan dapat diinisialisasi ulang secara manual.

8. Kesimpulan

Penutupan loop adalah proses tiga tahap: pengambilan gambar yang mengingat adegan masa lalu, verifikasi geometris yang membuktikan bahwa itu adalah tempat yang sama, dan optimasi yang mendistribusikan kesalahan di seluruh grafik. Jangan Menutup loop hanya berdasarkan skor BoW atau deskriptor yang dipelajari — konfirmasikan korespondensi, kesepakatan sensor, dan kontinuitas temporal. Jika ditangani dengan benar, penutupan loop mengoreksi pergeseran odometri di seluruh peta dan menjaga konsistensi lokalisasi mandiri robot yang berjalan lama.

Referensi

• ORB-SLAM3
• DLoopDetector: Deteksi loop berbasis penampilan
• Gálvez-López dan Tardós, Bags of Binary Words
• NetVLAD
• Dokumentasi ROS 2 TF2