常用回环检测算法对比（SLAM）
回环检测本质上是一种数据相似性检测算法，原理是通过识别机器人是否回到历史位置，建立位姿约束以优化全局地图，纠正长期的里程计漂移实现全局地图的一致性，简单讲就是识别场景中的重复特征以修正累积误差。
1. 概述
| 算法类别 | 原理 | 特点 | 优势 | 劣势 |
|---|---|---|---|---|
| 词袋模型 | 特征聚类为单词，TF-IDF加权相似度 | 依赖手工特征，倒排索引加速检索 | 实时性高，适合移动端 | 忽略空间信息，误判相似场景 |
| 概率改进模型 | 贝叶斯滤波动态更新概率分布 | 结合里程计与场景动态性 | 减少误检，适应动态环境 | 计算复杂，参数敏感 |
| 深度学习模型 | CNN/自编码器提取高层特征，近似搜索加速匹配 | 端到端特征学习，多尺度融合 | 鲁棒性强，适应复杂变化 | 需大量数据，计算资源高 |
| 激光全局特征 | 几何特征（曲率、质心）构建不变性描述子 | 依赖点云结构，快速配准优化 | 适用于低纹理环境，实时性高 | 对点云质量敏感，非结构化环境适应性差 |
| 无线信号辅助 | 无线信号筛选候选帧，减少搜索空间 | 多传感器融合，NLoS场景适用 | 计算效率大幅提升，避免灾难性失败 | 依赖信号稳定性，多机协同限制 |
| 3D语义共视图 |