泡泡图灵智库，带你精读机器人顶级会议文章
标题：3-D Map Merging on Pose Graphs
作者：Taigo Maria Bonanni, Bartolomeo Della Corte, and Giorgio Grisetti
来源：IEEE ROBOTICS AND AUTOMATION LETTERS
编译：博主
欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权
摘要
大家好，今天为大家带来的文章是——基于位姿图的三维地图融合，该文章发表于IEEE ROBOTICS AND AUTOMATION LETTERS 。
本文提出了一种融合三维地图的方法，该地图由位姿图和点云组成。本文的方法的特性在于能够有效地处理SLAM地图中常见的变形问题。与传统的使用一个刚体变换进行地图融合的方法相比，本文的算法能够减弱变形从而达到更高的精度，并且能够处理一些传统方法无法处理的大形变地图。本文算法的核心在于将其它地图当做观测，来完成机器人在参考地图中的定位。
本文在公开的数据集上进行了测试，定量的实验结果表明本文的算法在地图融合上具有非常好的效果。
主要贡献
1、本文提出了一种用于三维地图融合的算法，能够将具有形变的地图进行融合；
2、本文将地图建模成可变形图，并通过逐步最大化重叠区域的相似程度来完成地图融合。
算法流程
假设使用位姿图来表示地图，那么地图融合问题可以看成图的最大一致性融合问题。图1中可视化地展示了本文的算法流程，可以发现本文算法的核心思路就是尽可能找到两幅图之间的节点对应关系。图2是本文的算法流程图，详细介绍了如何遍历所有图节点完成两幅图的对应关系。
图1 本文算法流程示意图，其中(a)中左图是参考地图，右图是待匹配地图，其中浅色背景表示初次随机选中并进行匹配的节点。(b)~(e)表示假设如此节点匹配成功，那么接下来将逐步匹配其他的节点，其中(d)表示未成功匹配的节点，(e)是所有节点都已经匹配的结果。
图2 本文算法流程图
本文在对齐方面使用NICP算法，其算法流程如图3所示，其核心任务是找到一个最优的变化矩阵。
图3 NICP算法流程图
主要结果
本文一共在4个数据集上进行了测试比较，分别从定性和定量的角度评价了本文算法与ICP算法的差异。
图4 本文算法评价所有的公开数据集
图5 (a)和(b)是两次SLAM的建图结果，©是使用ICP的融合结果，(d)使用本文算法的融合结果。经过对比不难发现，本文的算法能够得到更好的融合结果。
图6 对比可以发现本文的算法在平移和旋转上的误差都得到了一定程度的改善。
总结
论文里说的在线demo显示404，小伙伴们随意尝试一下链接：www.dis.uniroma1.it/∼bonanni/mm-webgl.html
