自動駕駛系統進階與項目實戰（四）自動駕駛高精度地圖構建中的三維場景識別和閉環檢測
閉環檢測（loop-closure detection）是SLAM中非常關鍵的一部分，當然也是自動駕駛高精度地圖（HD Map）構建的核心技術之一，閉環檢測即無人車能夠識別出SLAM構圖過程中形成的閉環，從而優化由觀測（lidar slam、imu、車輛can、gnss等算出的里程計）累計的誤差，使得SLAM地圖在閉環的“縫合處”能夠準確對接、在同一路段的重複測量（主要是激光點雲、圖像等）能夠準確擬合。顯然閉環檢測對於大面積、大場景的地圖構建非常必要。
在閉環檢測中，場景識別是關鍵步驟之一，場景識別即無人車匹配當前場景和歷史場景的過程，如果當前場景和歷史中的某些場景吻合，那麼無人車才知道自己“來過”這個地方，從而進行閉環的位姿優化，場景識別中最常見的就是基於圖像的識別，但是基於圖像的方法容易收到場景光照條件變化以及移動目標的影響。
基於點雲的三維場景識別技術受光照、季節等環境條件的影響較小，和圖像方法類似，在點雲中也可以使用設計的描述符（descriptor）來定義三維模型用於場景識別，這類描述符的設計需要滿足兩個要求，第一是旋轉不變性，同一場景不能因爲視角的切換而表現爲不同的描述符，第二是減少噪聲的影響對於這類空間描述符的印象，點雲數據密度相較於圖像低很多，並且距離越大數據越稀疏，噪聲的影響越大；一種有效的方法是使用直方圖來描述，但是直方圖只能表達統計特徵，很難反應一個點雲的三維結構特徵，爲了克服這類問題，我們引入Scan Context環境描述符。
Scan Context描述符構建
構建Scan Context描述符第一步是使用基於環（ring）和扇形（sector）的方法重新組織點雲，將三維點雲使用二維特徵圖表示，特徵圖如下圖所示：
