怎么去处理视觉SLAM长期定位中的外观变化和轨迹漂移呢？

1. 这篇文章希望解决什么问题？

服务机器人、巡检机器人、自动驾驶车辆等SLAM应用，需要进行长时间的定位和导航，但是可能会遇到很多光照变化（甚至天气季节变化）、不同视角提取的不同特征、原先场景的目标已经移除等等很多的环境变化问题，如果处理不好的话很容易引发轨迹漂移甚至跟踪丢失。

作者认为，产生这种问题的关键在于，现有的视觉SLAM方法依赖于低级的特征描述子。这些特征描述子对环境变化不鲁棒，并导致地图尺寸过大，不利于机器人的长期部署。也有一些SLAM方案使用语义信息来辅助定位，但主要面向短期定位导航过程。

2. 具体原理是什么？

ObVi-SLAM希望同时利用上述两种方法的优点，首先利用低级视觉特征来做高质量的短时VO。然后为了保证全局的长期一致性，构建一个不确定感知的持久目标的长期地图，并在每次部署后进行更新。

具体来说，ObVi-SLAM实际是利用环境中静态物体的长期地图来做辅助定位，因为目标检测是对外观不敏感的，所以ObVi-SLAM也就可以对环境变化有鲁棒性。同时每个语义目标都会计算不确定性，随时间推移进行更新。

3. 和其他SOTA方法对比如何？

ObVi-SLAM在两个月内收集室外不同时间的16组数据，估计Lifelong轨迹的稳定性，可以发现其他方案都不同程度的出现了很大的轨迹漂移。

OA-SLAM也是一种物体级SLAM，刚开始性能也很好，但是随着时间增加，定位精度明显降低。

地图文件的大小对比，可以发现ObVi-SLAM比ORB3的地图小很多，有利于机器人的实际落地。

审核编辑：刘清