基于ORB-SLAM2的改进回环检测算法

An improved loop closure detection algorithm based on ORB-SLAM2

摘要

针对传统视觉simultaneous localization and mapping（SLAM）回环检测算法在光照变化、动态场景及视角变化等复杂环境下容易出现定位精度下降和累积误差增大的问题，提出一种基于MobileNetV3的回环检测算法。利用预训练的MobileNetV3模型提取图像特征，并通过主成分分析（PCA）和白化处理降低特征向量维度，提升计算效率。采用余弦相似度计算图像特征之间的相似度矩阵，并根据设定阈值判断是否出现回环。在New College和City Centre数据集上的实验结果表明，基于MobileNetV3的回环检测算法在几种对比算法中表现最优，与基于视觉词袋模型（BOVW）的回环检测算法相比，所提算法在两个数据集上的检测准确率分别提高18.5%和19.3%，检测速度分别提高30.6%和34.4%，能更好满足视觉SLAM对准确性和实时性的要求。最后将此算法应用到oriented FAST and rotated brief SLAM2（ORB-SLAM2）中，替换其原有的基于视觉词袋模型的回环检测算法，并在EuRoC数据集上测试改进后的ORB-SLAM2算法，实验结果表明，改进后的ORB-SLAM2算法定位精度比原算法提升23.8%，生成的轨迹曲线更接近真实轨迹，验证了所提算法在SLAM系统中的可行性和有效性。

Abstract

This work proposes algorithm based on MobileNetV3 to address the challenges of decreasing localization accuracy and increasing cumulative errors in traditional visual simultaneous localization and mapping （SLAM） loop closure detection algorithms in complex environments such as illumination variations， dynamic scenes， and viewpoint changes. A pretrained MobileNetV3 model is utilized to extract robust image features， followed by principal component analysis （PCA） and whitening to reduce the dimensionality of feature vectors and improve computational efficiency. Cosine similarity is employed to compute a similarity matrix of image features， and loop closures are identified based on predefined thresholds. Experimental results demonstrated that our MobileNetV3-based algorithm outperformed several comparative methods. Compared with the Bag-of-Visual-Words （BOVW） based approach， when using the New College and City Centre datasets our method achieved improvements in detection accuracy of 18.5 %and 19.3%， and enhanced detection speed of 30.6% and 34.4%， respectively. These results meet the accuracy and real-time performance requirements of visual SLAM systems. Furthermore， the algorithm was integrated into ORB-SLAM2 by replacing its original BOVW loop closure module. Evaluations using the EuRoC dataset showed that the enhanced ORB-SLAM2 achieved a 23.8% improvement in localization accuracy， with the estimated trajectories significantly closer to the Ground Truth. These results validate the feasibility and effectiveness of our algorithm for use within SLAM systems.

Graphical abstract

关键词

回环检测 / 深度学习 / oriented FAST and rotated brief SLAM2（ORB-SLAM2） / 相似度矩阵 / 图像特征提取

Key words

loop detection / deep learning / oriented FAST and rotated brief SLAM2 （ORB-SLAM2） / similarity matrix / image feature extraction

引言

在自主机器人系统中，同步定位与建图（simultaneous localization and mapping，SLAM）技术在近几十年来一直是研究的重点^［1］。SLAM技术主要解决定位和环境地图的重建两个问题^［2］。根据传感器不同SLAM技术可分为激光SLAM和视觉SLAM，其中激光SLAM依赖于激光雷达传感器，而视觉SLAM是以相机作为传感器^［3］。经典视觉SLAM流程包括4个主要任务^［4］：前端视觉里程计、后端（非线性）优化、回环检测、建图。其中回环检测（loop closure detection，LCD）是其中一个关键环节，它通过识别之前访问过的地点来减少累积误差，从而提高SLAM系统的定位精度与鲁棒性^［5］。

回环检测有两种常用的方法，一种是基于视觉里程计的方法，另一种是基于外观的方法。基于外观的方法是一种常用的回环检测技术，因为与基于视觉里程计的方法相比，其可以减少误差的累积。它支持对后端位姿优化施加约束，并在建立精确地图中起着关键作用，使回环检测成为一个独立模块^［6］。大部分现有的回环检测方法都利用视觉词袋模型（bag of visual words，BOVW）进行位置识别，比如oriented FAST and rotated brief SLAM （ORB-SLAM） ^［7］，visual⁃inertial navigation system⁃mono（VINS⁃Mono）^［8］和Kimera^［9］。该方法的过程主要分为3个步骤：首先用算法（scale⁃invariant feature transform（SIFT）^［10］， speed⁃up robust features（SURF）^［11］， oriented fast and rotated brief（ORB）^［12］）从不同类别的图像中提取特征向量，这些向量代表图像中的局部不变特征点；然后利用K⁃means聚类算法将具有相似词义的视觉词汇组合起来，构建包含K个单词的单词列表；最后统计单词列表中每个单词在图像中出现的次数，从而用K维的数值向量来表示图像。然而，传统的视觉回环检测方法依赖手工制作的特征，大多数基于手工制作特征的闭环检测方法主要在静态环境中有效，难以处理视点的剧烈变化和照明条件的变化，这使得它们在复杂动态环境中识别回环的准确性较低^［13］。

随着深度学习技术的发展，其在图像识别、分类、理解等计算机领域都表现出了强大的性能。作为深度学习技术代表的卷积神经网络（convolutional neural network，CNN）因其在图像检索和特征匹配等任务上表现出的稳健的性能（尤其是在极具挑战性的条件下），被广泛应用于回环检测领域，并取得了显著成果^［14］。Ma等^［15］设计了一种轻量级自动编码器用于提取特征，并引入一种基于运动矢量一致性约束的局部匹配算法，在提升时间效率的同时确保了较高的召回率。Zhang等^［16］融合了残差网络与胶囊网络，同时从图像中提取浅层几何特征和深层语义特征，减少了图像中的噪声并加速了模型收敛。Dian等^［17］利用预训练的VGG-16模型提取图像特征，并采用多尺度特征提取策略融合不同层次的特征；同时，他们结合局部与全局相似度度量模块计算当前帧与历史帧的相似度，有效地解决了动态物体遮挡问题，方法性能优于传统的基于外观的回环检测算法。

尽管基于深度学习的回环检测方法可以提高回环检测的鲁棒性，但传统visual geometry group（VGG）、residual network（ResNet）等卷积神经网络的计算开销大、推理速度低，难以满足移动端SLAM对实时性的严格要求。相比之下轻量级神经网络具有计算量小、推理速度快和内存占用低等优势，适合在资源受限的移动端设备上运行^［18］。然而，许多基于深度学习的回环检测算法并没有应用到完整的SLAM系统中，缺乏在完整SLAM系统中的验证。因此，本文提出一种基于轻量级神经网络MobileNetV3的回环检测算法，并将其集成至ORB-SLAM2框架，替换原有的基于视觉词袋模型的回环检测模块。最后，通过实验验证了基于MobileNetV3回环检测算法的性能以及改进ORB-SLAM2算法的可行性与有效性。

1 基于MobileNetV3的回环检测算法

1.1 回环检测算法步骤

尽管基于深度学习的回环检测方法在适应光照、气候等复杂环境变化方面优于传统的视觉词袋模型，但正如引言部分所述，传统的卷积神经网络常面临计算量大、推理速度慢以及部署困难等问题。因此，本文选择在ImageNet数据集上预训练的轻量级卷积神经网络MobileNetV3⁃Small进行回环检测算法的研究。

本文提出的回环检测算法步骤如图1所示。为确保输入图像与预训练的MobileNetV3模型相兼容，首先对原始图像进行预处理，将其尺寸调整为224 × 224。随后，用MobileNetV3^［19］进行特征提取，输出1 280维特征向量。由于特征向量维度较高，直接计算相似度矩阵会导致计算量过大，从而影响系统的实时性。为了提高效率，对提取的特征向量进行降维处理。因此，采用主成分分析（PCA）将特征向量维度从1 280降低到500，减少计算复杂度。接着，使用白化处理对降维后的特征向量进行进一步优化，以消除特征之间的相关性。通过PCA和白化处理，最终得到一组低维且无关的特征向量，显著提高了相似度计算的效率。最后，使用余弦距离来计算图像特征之间的相似度，并生成相似度矩阵。当相似度矩阵分数超过设定的阈值时，就会判断为回环。

1.2 基于MobileNetV3的特征提取

卷积神经网络MobileNetV3由于具有计算量小、推理时间短等特点，适用于存储和功耗要求受限的场景。MobileNetV3网络是在MobileNetV2^［20］基础上调整结构中冗余的部分，引入squeeze⁃and⁃excitation network（SENet）注意力机制对网络进行改进。同时为了减轻计算量设计出hard_swish激活函数，使用hard_swish激活替换ReLU6作为主要的非线性激活函数，降低网络的计算开销，利于模型在移动端的应用。MobileNetV3包含Large和Small两个版本的网络结构。考虑到MobileNetV3⁃Large相对于Small版本对计算资源的要求更高，而SLAM系统对实时性有着严格的要求，因此本文最终选择资源消耗更低的MobileNetV3⁃Small作为特征提取模型。为了使其更适用于回环检测任务，对MobileNetV3⁃Small的结构进行调整，去除最后一层的分类层，从而输出维度为1 280的特征向量。MobileNetV3⁃Small修改后网络的结构如表1所示。其中，Operator代表卷积操作类型；Exp size代表通道扩展尺寸；#out代表输出特征向量维度；SE表示是否使用注意力机制；NL代表所选激活函数的类型。

1.3 PCA降维和白化

在使用MobileNetV3对所有m张图片提取特征向量后，得到一个维度为m × 1 280的特征矩阵 D。为了在进行余弦相似度计算前提升特征向量的表达能力并降低计算复杂度，需要对其进行PCA降维和白化处理。这一过程不仅能够有效降低特征向量的维度，减少计算开销，还能增强其图像表示能力，显著提高回环检测效率。PCA降维和白化的具体步骤如下。

设置 x 为n × 1维的列向量，特征矩阵 D 的维度为m × n。

\mathit{D}={\left({\mathit{x}}^{\mathrm{1}},{\mathit{x}}^{\mathrm{2}},...,{\mathit{x}}^m\right)}^{\mathrm{T}}（1）

将矩阵中心化

\mathit{\mu }=\frac{\mathrm{1}}{m}{\displaystyle \sum _{j=\mathrm{1}}^m}{\mathit{x}}^j（2）

{\mathit{X}}^i={\mathit{x}}^i-\mathit{\mu }（3）

计算对应的协方差矩阵

{\mathit{X}}_{\mathrm{c}\mathrm{o}\mathrm{v}}=\frac{\mathrm{1}}{m-\mathrm{1}}{\mathit{X}}^{\mathrm{T}}\mathit{X}（4）

再对协方差矩阵进行奇异值分解

\left[U,S,\mathit{W}\right]\Leftarrow \mathrm{S}\mathrm{V}\mathrm{D}({\mathit{X}}_{\mathrm{c}\mathrm{o}\mathrm{v}})（5）

特征向量 W 通过奇异值分解得到，取降序排列后，前\beta个特征值对应的特征向量形成向量{\mathit{W}}_s^{}，{\mathit{W}}_s^{}的维度为n\times \beta

{\mathit{W}}_s^{}=\left({\mathit{w}}_{\mathrm{1}},{\mathit{w}}_{\mathrm{2}},...,{\mathit{w}}_{\beta }\right)（6）

将每个数据转换为新数据

{\mathit{y}}_i={\mathit{x}}^i{\mathit{W}}_s（7）

{\mathit{D}}_{\mathrm{n}\mathrm{e}\mathrm{w}}=({\mathit{y}}_{\mathrm{1}},{\mathit{y}}_{\mathrm{2}},...,{\mathit{y}}_m)（8）

接下来使用白化操作将数据方差降到1。

{\mathit{D}}_{\mathrm{w}\mathrm{h}\mathrm{i}\mathrm{t}\mathrm{e},i}=\frac{{\mathit{D}}_{\mathrm{n}\mathrm{e}\mathrm{w}}}{\sqrt[]{{\lambda }_i+\epsilon }}（9）

式中，{\lambda }_i是对应协方差矩阵的i维特征的特征值，\epsilon是一个极小的常数，主要目的是防止分母为零。

通过上面的步骤，提高了计算相似度矩阵的效率。

1.4 相似度矩阵计算

完成PCA降维和白化处理后，下一步是计算相似度矩阵。常用的相似度度量方法有欧氏距离和余弦距离。相较于对向量模长敏感的欧氏距离，余弦距离通过衡量向量间的夹角来计算其方向上的相似性，更适合用于高维特征空间的相似性评估。因此，本文选用余弦距离来度量两帧图像特征之间的相似程度。假设在n维空间中存在两个非零向量 x 和 y，则 x 和 y 的余弦距离公式如下。

\mathrm{c}\mathrm{o}\mathrm{s}(\mathit{x},\mathit{y})=\frac{{\mathit{x}}^{\mathrm{T}}\mathit{y}}{‖\mathit{x}‖‖\mathit{y}‖}=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}（a_i\times b_i）}{\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}{a}_i^{\mathrm{2}}\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}{b}_i^{\mathrm{2}}}}}（10）

余弦相似度的值域在［-1，1］，值越接近1，表示两个向量越相似；反之，越接近-1，表示两个向量越不相似。假设计算出的相似度矩阵是{\mathit{D}}_{ij}，表示图像i和j之间的余弦相似度。为了便于后续比较分析，需要对计算出来的相似度矩阵{\mathit{D}}_{ij}进行归一化处理，记归一化后的相似度矩阵为{\mathit{S}}_{ij}。

{\mathit{S}}_{ij}=\frac{{\mathit{D}}_{ij}-\mathrm{m}\mathrm{i}\mathrm{n}\left({\mathit{D}}_{ij}\right)}{\mathrm{m}\mathrm{a}\mathrm{x}\left({\mathit{D}}_{ij}\right)-\mathrm{m}\mathrm{i}\mathrm{n}\left({\mathit{D}}_{ij}\right)}（11）

经过归一化处理后，相似度矩阵的值被限定在［0，1］。可以通过相似度矩阵的值来判断是否发生闭环，如果相似度矩阵中的某个值超过预定的阈值，则说明两张图像之间发生闭环。

2 ORB-SLAM2算法改进

ORB-SLAM2系统架构是由追踪、局部建图和闭环3个主要并行线程构成^［7］。这三大线程并行执行，保证了系统的高效性和实时性。此外，系统还包括地图初始化、位置识别和地图结构等模块。追踪线程的主要任务是根据当前帧的图像，通过匹配之前的地图点，估计相机的位姿。局部建图线程则是根据相机的运动，实时构建和优化局部地图。闭环检测线程的关键在于检测当前的相机位置是否与之前的某个位置重合，以此来识别并纠正已有地图的错误。回环检测是提升SLAM系统精度和鲁棒性的重要环节，特别是在长时间运行或大规模场景中。

本文进行的改进主要集中在ORB-SLAM2的闭环线程。原算法使用的是基于视觉词袋模型的回环检测算法，改进算法使用基于MobileNetV3的回环检测算法替换原算法，具体改进算法步骤如下：

1）设候选回环关键帧集合R = ∅；

2）对传入的当前关键帧进行预处理，使用MobileNetV3模型提取其特征向量；

3）对提取出的特征向量进行PCA降维和白化处理，生成低维特征向量；

4）对于数据库中的所有关键帧，跳过与当前关键帧距离20帧数以内的帧，计算当前关键帧与其他所有关键帧的低维特征向量之间的余弦距离；

5）若与数据库中某关键帧的相似度大于0.8，则将此关键帧加入候选回环关键帧集合R中。

3 实验结果与分析

3.1 实验数据集

本文选取牛津大学机器人团队采集的New College和City Centre两个回环检测数据集用来评估本文提出的回环检测算法性能。其中，New College数据集包含2 146张图片，City Centre数据集包含2 474张图片。两个数据集中均提供了地面真实标签（Ground Truth），方便衡量算法结果的正确性。数据通过移动机器人在室外环境采集，同步记录了左右相机的图像。序列编号为奇数的图像来自左目相机，偶数的图像来自右目相机。数据集的详细信息如表2所示。

为了验证改进ORB-SLAM2算法的有效性和可行性，本文选择公开数据集EuRoC进行实验。为了全面评估算法性能，在EuRoC数据集中挑选两种不同场景、不同难度的序列进行测试。测试环境基于Ubuntu 20.04，实验硬件平台为Intel Core i5⁃12400f CPU@2.5GHz，32GBDDR4内存。

3.2 基于MobileNetV3的回环检测算法评估

为了全面比较和评估算法性能，选取基于BOVW的回环检测算法、基于VGG-19的回环检测算法及基于ResNet50的回环检测算法，与本文的基于MobileNetV3的回环检测算法进行对比实验。从P⁃R曲线、平均准确率和时间性能3个方面进行比较。最后，可视化本文回环检测算法生成的相似度矩阵与数据集提供的Ground Truth相似度矩阵，从直观上判断本文回环检测算法的性能。

1）P⁃R曲线

回环检测的结果通常分为4类，如表3所示。其中，FP（假阳性）和FN（假阴性）代表了错误的检测结果。FP指的是将两幅来自不同地点的图像错误地判断为来自同一地点，而FN则表示将两幅来自同一地点的图像错误地判断为来自不同地点。图2展示了本文算法所识别出的误检测样本。

准确率P和召回率R的公式如下。

P=\frac{TP}{TP+FP}（12）

R=\frac{TP}{TP+FN}（13）

在New College和City Centre数据集上根据不同阈值绘制P⁃R曲线，如图3和图4所示。召回率为横轴，准确率为纵轴，曲线和坐标轴围成的面积越大，说明算法性能越好。由图可知，基于深度学习的回环检测算法要优于基于视觉词袋模型的回环检测算法；在3种深度学习回环检测算法中，ResNet50和MobileNetV3曲线都在VGG-19曲线上方，说明随着召回率增加，其准确率要比VGG-19高。

2）平均准确率

表4列出了4种方法在两个数据集上的平均准确率。表中数据表明，基于深度学习的回环检测算法在两个数据集上的平均准确率都明显优于基于BOVW的回环检测算法。基于MobileNetV3和ResNet50算法的平均准确率在两个数据集上非常接近，准确率最高。本文算法在New College数据集上的准确率比基于BOVW算法提高了18.5%，比基于VGG-19算法提高了3.5%。在City Centre数据集上，本文算法的准确率比基于BOVW的算法高了19.3%，比基于VGG-19的算法提高了4.4%。

3）时间性能

本文通过比较各算法提取单张图像特征并进行相似度计算检测回环所消耗的时间，来评估它们的实时性能。结果如表5所示，可以看出本文算法耗时最少，而基于BOVW的回环检测算法耗时最多。在New College数据集上，本文算法的时间性能比BOVW算法提升30.6%，比基于VGG-19的算法提升12.1%，比基于ResNet50的算法提升9.4%。在City Centre数据集上，本文算法的时间性能则比BOVW算法提升34.4%，比基于VGG-19的算法提升18.3%，比基于ResNet50的算法提升9.5%。可见，本文提出算法在所对比的算法中表现出最佳的实时性能。

4）相似度矩阵

回环检测实验中，相似度矩阵是评判算法性能的一个重要指标，将相似度矩阵可视化可以更加直观地判断算法性能。本文算法通过计算图像之间的整体相似度，为每个数据集生成了相应的相似度矩阵。图5为数据集中的Ground Truth和本文算法通过实验获得的相似度矩阵图。在图5（a）和（c）中颜色越亮表示相似度越高，而在图5（b）和（d）中颜色越深表示相似度越高。通过图5的对比可知，本文算法能够检测到大多数回环，有较高的准确度。

综上所述，本文提出的算法在准确率和时间性能方面均展现出最优的性能，能够很好地完成SLAM系统的回环检测任务。

3.3 改进ORB-SLAM2的定位精度实验

全局一致的轨迹估计是视觉SLAM的一项关键指标。在EuRoC数据集上对改进的ORB-SLAM2算法进行实验，并将生成的轨迹导入evo评估工具进行对比分析。采用绝对轨迹误差的均方根误差（RMSE）作为定位精度的评价指标。在每个数据集上算法连续运行5次，统计其平均结果。为了更充分地体现改进后ORB-SLAM2算法的价值与优势，引入ORB-SLAM系列中的最新算法ORB-SLAM3^［21］进行对比，实验结果如表6所示。

分析表6数据可知，改进的ORB-SLAM2算法的RMSE平均值分别比ORB-SLAM3和ORB-SLAM2降低了11.49%和23.8%，表明本文改进算法的整体轨迹估计精度最高。尤其是在3个困难场景（MH_04_difficult、MH_05_difficult、V1_03_difficult）中，改进算法展现出了更强的适应性和鲁棒性，RMSE降低最为显著。在中等难度场景（MH_03_medium、V1_02_medium）下，ORB-SLAM3的表现略优于改进算法，但改进算法也仍然优于ORB-SLAM2算法。在简单场景（MH_01_easy、V1_01_easy）中改进算法的RMSE相较于ORB-SLAM3和ORB-SLAM2均有所降低，这说明本文算法即使在简单环境下也能进一步优化轨迹误差。RMSE数据的对比分析结果再次验证了基于MobileNetV3的回环检测算法在复杂和具有挑战性的环境中的优越性能。

为了更直观地展示改进ORB-SLAM2算法在定位精度上的提升，选取MH_04_difficult数据集作为测试数据，该数据集由于其高速运动和黑暗环境的挑战性，是测试算法性能的典型场景。图6（a）为3种算法在MH_04_difficult数据集上的轨迹图，（b）则是黑框区域放大后的轨迹图。图中黑色虚线表示真实轨迹，蓝色曲线是ORB-SLAM2算法生成的轨迹，绿色曲线对应ORB-SLAM3算法生成的轨迹，红色曲线则表示本文改进ORB-SLAM2算法的轨迹，轨迹命名为MYSLAM。

如图6（a）所示，3种算法生成的轨迹整体上都与真实轨迹较为接近。但通过图6（b）黑框部分的放大图可以更清晰地看出，MYSLAM算法的轨迹与真实轨迹的贴合度更高，表明本文算法具有更好的定位精度和鲁棒性。

接下来利用图6的轨迹数据计算相应的绝对位姿误差（absolute pose error，APE）评估指标，绘制成柱状图，如图7所示。从图7可以看出，改进的ORB-SLAM2算法相较于原ORB-SLAM2算法在绝对位姿误差的最大值（max）、最小值（min）、标准差（standard deviation，std）、中间值（median）、平均值（mean）、均方根误差（rmse）等指标上均明显更优，最大值（max）略微大于ORB-SLAM3。此图进一步说明了改进ORB-SLAM2算法在定位精度上性能的提高。

4 结论

（1）提出了基于MobileNetV3模型的回环检测算法，该算法使用轻量级MobileNetV3-Small模型进行特征提取，并采用PCA进行降维，有效降低了特征向量的维度，同时利用余弦距离计算相似度，判断回环。所提算法计算开销小，具备良好的实时性，适合部署到SLAM系统中。

（2）对基于MobileNetV3模型的回环检测算法在New College和City Centre数据集上进行了评估。实验结果表明，与基于BOVW模型、VGG-19模型和ResNet50模型的回环检测算法相比，所提算法在精度和时间性能方面均表现更优，良好的精度和实时性使其非常适合部署到SLAM系统中。

（3）改进了ORB-SLAM2中的回环检测部分，将基于视觉词袋模型的回环检测算法替换成本文的基于MobileNetV3模型的回环检测算法。改进后的ORB-SLAM2在公开EuRoC数据集中的不同难度、不同场景下验证结果表明，改进算法比ORB-SLAM2算法平均定位精度提升了23.8%，比ORB-SLAM3算法提升了11.49%。本文改进算法在困难场景中的表现更加出色，生成的轨迹相比于ORB-SLAM2和ORB-SLAM3算法更加贴近真实轨迹，验证了改进的ORB-SLAM2算法在提升系统鲁棒性和定位精度方面的优势，进一步验证了将本文提出的基于MobileNetV3模型的回环检测算法部署到SLAM系统中的价值。

参考文献

[1] PAN Z H， HOU J Y， YU L. Optimization RGB⁃D 3⁃D reconstruction algorithm based on dynamic SLAM［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 1-13.

[2] FU P， LI S X， YU T Y， et al. An initialization method for monocular visual⁃inertial odometry based on uncertainty state［C］//2022 4th International Conference on Communications， Information System and Computer Engineering. Shenzhen： IEEE， 2022： 522-528.

[3] TANG M， CHEN Z， YIN F L. Robot tracking in SLAM with Masreliez⁃Martin unscented Kalman filter［J］. International Journal of Control， Automation and Systems， 2020， 18（9）： 2315-2325.

[4] QI H X， WANG C H， LI J W， et al. Loop closure detection with CNN in RGB⁃D SLAM for intelligent agricultural equipment［J］. Agriculture， 2024， 14（6）： 949.

[5] ZHANG X W， WANG L， SU Y. Visual place recognition： a survey from deep learning perspective［J］. Pattern Recognition， 2021， 113： 107760.

[6] ZHOU Y H， SUN M L. A visual SLAM loop closure detection method based on lightweight siamese capsule network［J］. Scientific Reports， 2025， 15： 7644.

[7] MUR⁃ARTAL R， MONTIEL J M M， TARDOS J D. ORB⁃SLAM： a versatile and accurate monocular SLAM system［J］. IEEE Transactions on Robotics， 2015， 31（5）： 1147-1163.

[8] QIN T， LI P L， SHEN S J. VINS⁃Mono： a robust and versatile monocular visual⁃inertial state estimator［J］. IEEE Transactions on Robotics， 2018， 34（4）： 1004-1020.

[9] ROSINOL A， ABATE M， CHANG Y， et al. Kimera： an open⁃source library for real⁃time metric⁃semantic localization and mapping［C］//2020 IEEE International Conference on Robotics and Automation （ICRA）. Paris： IEEE， 2020： 1689-1696.

[10] LOWE D G. Distinctive image features from scale⁃invariant keypoints［J］. International Journal of Computer Vision， 2004， 60： 91-110.

[11] BAY H， ESS A， TUYTELAARS T， et al. Speeded⁃up robust features （SURF）［J］. Computer Vision and Image Understanding， 2008， 110（3）： 346-359.

[12] RUBLEE E， RABAUD V， KONOLIGE K， et al. ORB： an efficient alternative to SIFT or SURF［C］//2011 International Conference on Computer Vision. Barcelona： IEEE， 2011： 2564-2571.

[13] JIANG S H， ZHOU Z K， SUN S J. Loop closure detection based on compressed ConvNet features in dynamic environments［J］. Applied Sciences， 2023， 14： 8.

[14] WANG X， CHRISTIE M， MARCHAND E. Binary graph descriptor for robust relocalization on heterogeneous data［J］. IEEE Robotics and Automation Letters， 2022， 7（2）： 2008-2015.

[15] MA J Y， WANG S Y， ZHANG K N， et al. Fast and robust loop⁃closure detection via convolutional auto⁃encoder and motion consensus［J］. IEEE Transactions on Industrial Informatics， 2022， 18（6）： 3681-3691.

[16] ZHANG X， ZHENG L M， TAN Z H， et al. Loop closure detection based on residual network and capsule network for mobile robot［J］. Sensors， 2022， 22： 7137.

[17] DIAN S Y， YIN Y J， WU C， et al. Loop closure detection based on local⁃global similarity measurement strategies［J］. Journal of Electronic Imaging， 2022， 31（2）： 023004.

[18] 杨骏， 胡为， 朱文福. 基于改进MobileNetV3的视觉SLAM回环检测算法［J］. 计算机与现代化， 2024（10）： 21-26.

[19] YANG J， HU W， ZHU W F. Visual SLAM loop closure detection algorithm based on improved MobileNetV3［J］. Computer and Modernization， 2024（10）： 21-26. （in Chinese）

[20] HOWARD A， SANDLER M， CHU G， et al. Searching for MobileNetV3［C］//Proceedings of the IEEE/CVF International Conference on Computer Vision. Seoul： IEEE， 2019： 1314-1324.

[21] SANDLER M， HOWARD A， ZHU M L， et al. MobileNetV2： inverted residuals and linear bottlenecks［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City： IEEE， 2018： 4510-4520.

[22] CAMPOS C， ELVIRA R， GOMEZ RODRÍGUEZ J J， et al. ORB⁃SLAM3： an accurate open⁃source library for visual， visual⁃inertial， and multimap SLAM［J］. IEEE Transactions on Robotics， 2021， 37（6）： 1874-1890.

基金资助

国家自然科学基金(62273326)

河北省自然科学基金(F2024501008)

中央高校基本科研业务费(N2423021)