高质量的闭环是建图必不可少的元素之一。而激光SLAM不像视觉那样可以提供细致的纹理信息，因此常常出现误检和漏检的情况。最近，看了不少关于激光SLAM闭环方法的论文，总结一下。

一、构建点云的描述子

1、Scan Context（2018）--Scan context: Egocentric spatial descriptor for place recognition within 3d point cloud map

思想：把采集到的激光点云沿着方位角方向将点云分割成一个个sector，即下图蓝色的扇形。沿着径向方向，将点云分割成一个个ring，即下图黄色圆环。一个sector和一个ring的交集称之为bin，即图中黑色区域。通过统计每个bin中点云的最大z方向值，来形成一个scan context 描述子。

上图使用高度，形成的二维投影：

缺点：代码比较轻量，跑过loam+kitti，但很容易形成假的回环。

补充：后续还有ISC方案，思想基本一致，只是将点云的Z轴高度信息换成了点云的强度信息进行编码。

2、Scan Context++（2021）--Scan context++：Structural Place Recognition Robust to Rotation and Lateral Variations in Urban Environments

思想：实际上文中是提出了计算描述子的两种方式（基于笛卡尔坐标系和基于极坐标系），来解决横向位移和旋转不变性的影响。

缺点：未开源，在实际运行的系统上不易做到自适应切换两种描述子。

3、Iris（2020）--LiDAR Iris for Loop-Closure Detection

思想：与SC类似，也是采用最近很流行的鸟瞰图，提取每个bin中的高度信息，通过傅里叶变化和LoG-Gabor滤波将它转化成一个二进制描述子。

优/缺点：描述子提取速度快，系统长时间运行，回环搜索速度下降的很厉害。

4、Imaging Lidar（2021）--Robust Place Recognition using an Imaging Lidar

思想：利用高分辨率的雷达，将采集到的点云投影成一个intensity image，然后在该图上提取ORB特征描述子，利用词袋模型法做回环检测、匹配对应的特征。最后用PnP-RANSAC算法筛除一些错误的特征匹配。

优/缺点：要求雷达线束分布均匀（垂直的分辨率一致）。不同场景重新训练字典集。数据集上效果表现不错。

5、BoW3D(2022)--BoW3D:Bag of Words for Real-Time Loop Closing in 3D LiDAR SLAM

思想：基于LinK3D特征来实现词袋模型. DBoW3D的总体结构是采用哈希表构建单词与位置的一对一直接关联。（没有实际跑过，据说效果不错，可以去github找一下跑跑看）

二、采用神经网络

1、OverlapNet（2020）--OverlapNet: Loop Closing for LiDAR-based SLAM

基于CNN的构建的神经网络模型，用于激光雷达回环检测。该模型可以在仅通过激光雷达的信息（深度图、灰度图、法线图和语义分割后的图）来判断是否发现回环，以及两帧数据之间的偏航角变化。

改进版本：OverlapTransformer（2022）

2、LCDNet（2022）--LCDNet: Deep Loop Closure Detection and Point Cloud Registration for LiDAR SLAM

将点云的帧间配准和回环检测集成的网络。论文数据来看，实际运行时间消耗太大了，但不失为一种尝试。

回环时间性能的指标：1）构建回环信息的时间 2）回环搜索的时间