SLAM 點雲圖鑑Point clouds for construction
M-01 · 2022

Scan Context++

Scan Context++ 擴充原 Scan Context，提出極座標的 Polar Context（處理航向旋轉）與直角座標的 Cart Context（處理側向平移）兩種描述子。流程分三段：以檢索鍵（retrieval key）建立 kd-tree 做地點檢索，以對齊鍵（aligning key）做 1 自由度半度量定位，最後以完整描述子比對剔除誤判；並以描述子增強同時應對旋轉與側移。方法假設橫滾與俯仰變化不劇烈。

場所辨識元件近十年已讀全文同儕審查已出版全域一致性、場所辨識與長期建圖

閱讀版本
arXiv 2109.13494v1 (28 Sep 2021, T-RO manuscript layout, 19 pages) read in full; IEEE Xplore version of record HTML (document 9610172, T-RO 38(3):1856-1874, published 10 Nov 2021) spot-checked for section structure and key values (7.36 ms, 7.31 ms, i9-9900, KA Urban Campus, 1.03, 0.84 m, SC-LeGO-LOAM, corridor-like); VoR table images not re-checked because IEEE Xplore became temporarily unavailable
全文取得途徑
arXiv 預印本
本頁內容

Scan Context++ adds polar and Cartesian variants of the descriptor with retrieval and aligning sub-keys for three-stage place retrieval, 1-DoF semi-metric alignment and verification, robust to heading and lateral changes.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入3D LiDAR、radar (extension discussed)
原文測試平台vehicle (KITTI, MulRan, Oxford Radar RobotCar, NAVER LABS Pangyo)、handheld (KA Urban Campus 1 sequence from LiLi-OM, slowly walking operator)
狀態估計不適用 (integration example uses iSAM2 pose graph in SC-LeGO-LOAM, Sec. VII-F)
資料關聯Polar Context (20 x 60 bins over 0 to 80 m and 360 deg) and Cart Context (40 x 40 bins over -100 to 100 m by -40 to 40 m) with maximum-height bins after 0.5 m voxel downsampling; retrieval key = L1 norm per row (the IROS 2018 version used an L0 occupancy ratio) in a single k-d tree with k = 1 candidate; aligning key (L1 per column) gives the column shift by L2 matching; full-descriptor cosine distance only at that shift for verification; augmentation by +/-2 m lateral root shifts (A-PC) or a double flip (A-CC)
時間表示不適用
去畸變原文未報告
迴圈閉合provides loop candidates plus 1-DoF initial alignment for ICP in a keyframe pose graph
全域最佳化none (component); demonstrated with iSAM2 in SC-LeGO-LOAM
地圖表示per-keyframe 2D descriptor database
先驗資訊none; no odometry prior needed for retrieval (Sec. V-A, VII-F)
可輸出幾何不適用
計算需求single C++ header and source pair; on Intel i9-9900 3.10 GHz with 64 GB RAM inside the real-time SLAM, mean 7.36 ms per query on KITTI 00 and 7.31 ms on the 31 km Pangyo sequence, with periodic k-d tree rebuild as the most expensive step; Table V totals: PC 8.3 ms, A-PC 11.5 ms and M2DP 5.8 ms measured in Matlab, SegMatch 796.0 ms copied from its paper, PointNetVLAD 34.0 ms on a GTX 1080 Ti GPU

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
LiDARVelodyne HDL-64E資料集感測器KITTI odometry64-ray, full HFOV(Kim et al., 2022b, Sec. VI-A1; Table III)
LiDAROuster OS1-64資料集感測器MulRan64-ray, 290 deg usable HFOV in Table III(Kim et al., 2022b, Sec. VI-A2; Table III)
LiDARVelodyne HDL-32E (two, left and right of the radar)歸入：Velodyne HDL-32E資料集感測器Oxford Radar RobotCar32-ray; scans concatenated into one cloud(Kim et al., 2022b, Sec. VI-A3; Table III)
LiDAR原文未報告 (32-ray LiDAR)資料集感測器NAVER LABS (Pangyo)32-ray, full HFOV(Kim et al., 2022b, Table III; Sec. VII-G)
LiDAR原文未報告 (hand-held LiDAR of the LiLi-OM KA Urban Campus 1 sequence)資料集感測器LiLi-OM KA Urban Campus 1narrow front horizontal FOV about 70 deg(Kim et al., 2022b, Sec. VIII-D)
GNSS 接收器INS and GPS (model not stated)資料集感測器Oxford Radar RobotCarsequences chosen where INS and GPS were available over the whole trajectory(Kim et al., 2022b, Sec. VI-A3)
運算硬體Intel i9-9900 CPU執行運算平台未標示3.10 GHz, 64 GB RAM(Kim et al., 2022b, Sec. VII-G)
運算硬體GTX 1080 Ti執行運算平台未標示GPU used for PointNetVLAD timing(Kim et al., 2022b, Sec. VII-G; Table V)

論文圖片

只收錄原文以開放授權（open license）釋出的圖片，並依授權條件標示出處、圖號、授權與修改方式。

  • 樣本點雲上 Polar Context（黃色）與 Cart Context（灰色）的分格方式，紅色箭頭為對齊軸，綠色箭頭為檢索軸。

    Fig. 3(a)樣本點雲上 Polar Context（黃色）與 Cart Context（灰色）的分格方式，紅色箭頭為對齊軸，綠色箭頭為檢索軸。

    出處：Kim et al., 2022b，Fig. 3(a)。授權：CC BY-NC-SA 4.0。原始圖檔。修改：轉存為 WebP 格式。

  • 反向重訪造成的旋轉位移：世界座標與感測器座標下的查詢與資料庫掃描比較。

    Fig. 1(a)反向重訪造成的旋轉位移：世界座標與感測器座標下的查詢與資料庫掃描比較。

    出處：Kim et al., 2022b，Fig. 1(a)。授權：CC BY-NC-SA 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • MulRan、Oxford Radar RobotCar 與 NAVER LABS 各序列軌跡疊合於航照圖。

    Fig. 6MulRan、Oxford Radar RobotCar 與 NAVER LABS 各序列軌跡疊合於航照圖。

    出處：Kim et al., 2022b，Fig. 6。授權：CC BY-NC-SA 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

  • 失效案例：車輛沿走廊狀場所行駛造成的感知混淆。

    Fig. 22(b)失效案例：車輛沿走廊狀場所行駛造成的感知混淆。

    出處：Kim et al., 2022b，Fig. 22(b)。授權：CC BY-NC-SA 4.0。原始圖檔。修改：縮小至寬度不超過 1400 px，並轉存為 WebP 格式。

作者報告的優勢與限制

優勢

  • Global retrieval without odometry prior; lightweight and easy to add to keyframe pose-graph SLAM (Sec. V-A, VII-F)
  • Evaluated across KITTI, MulRan, Oxford Radar RobotCar and NAVER LABS data (Sec. VI-A)
  • Multi-session place recognition with temporal gaps, including a two-month gap on MulRan Sejong (Sec. VII-D)
  • SC-LeGO-LOAM reduced mean translational ATE from 20.7 m to 3.4 m on KAIST 03 and from 47.7 m to 15.2 m on Riverside 02 relative to LeGO-LOAM (Table IV)
  • Semi-metric 1-DoF alignment errors of 1.03 deg (A-PC) and 0.84 m (A-CC) on Pangyo (Sec. VII-E)
  • On a hand-held sequence with mild roll, pitch and height perturbation it outperformed M2DP by a large margin (Sec. VIII-D)

限制

  • Assumes roll-pitch motions are not severe (abstract); random roll and pitch pre-rotations of +/-5, +/-10 and +/-15 deg caused clear performance losses for PC, CC and M2DP (Sec. VIII-D, Fig. 20)
  • Failure cases shown on driving data: the vehicle moving along a corridor-like place, and a tall, large object (e.g., a bus) very close to the sensor in both query and map scans (Sec. VIII-F, Fig. 22)
  • Most powerful in urban environments; indoor and natural environments may need extra channels such as intensity or semantics (Sec. VIII-H3)
  • Heterogeneous LiDAR setups (e.g. different mounting height between mapper and localizer) declared out of scope; generalization across hardware and mounting left open (Sec. IV-C, VIII-H5)
  • Each descriptor is natively invariant in only one direction (Sec. VIII-H1); without augmentation PC is weaker under lateral change (Riverside 02 AUC 0.72 vs 0.88 for CC) and CC fails on reverse revisits (KITTI 08 AUC 0.00) (Table VIII, IX; Sec. VII-B)

營建工程相關證據

未於工地測試；作者明言方法最適合都市結構環境（Sec. VIII-H3），其失效案例為車載資料中沿「走廊狀場所」行駛及公車等高大物體緊貼感測器（Sec. VIII-F），並非室內走廊實驗。作者另以步行手持光達序列 KA Urban Campus 1 測試，結果優於 M2DP，並認為溫和的橫滾、俯仰與高度擾動可接受；但以 ±5° 至 ±15° 隨機預旋轉模擬時，各方法效能皆明顯下降（Sec. VIII-D、Fig. 20）。營建室內走廊、重複樓層與遮蔽嚴重的材料堆放區是否同樣失效屬推論，尚無直接證據；非商用授權（CC BY-NC-SA 4.0）限制工程部署。

原文驗證環境：公開基準、跨場域

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 6 個比較組，合計 66 筆紀錄。以下列出本方法紀錄最多的 4 組，其餘 2 組列在最後，並連到性能比較頁。

Kim et al., 2022b · Table IX 本方法 32 筆

表格設定（擷取紀錄原文）：AUC with respect to correctness threshold (baseline 8 m) (Kim et al., 2022b, Table IX)

AUC at correctness threshold 8 m，KITTI odometry · KITTI 00 (threshold 8 m)

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Kim et al., 2022b 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：不適用；單位：ratio；場景：urban driving

資料來源作者報告值(Kim et al., 2022b, Table IX)

數值與出處
方法（原文寫法）報告值出處
Polar Context (PC)本方法原文提出0.84 ratio(Kim et al., 2022b, Table IX)
Cart Context (CC)本方法原文提出0.81 ratio(Kim et al., 2022b, Table IX)

Kim et al., 2022b · Table VIII 本方法 16 筆

指標AUC (area under precision-recall curve)

表格設定（擷取紀錄原文）：AUC of precision-recall: retrieval key (k-d tree, k = 1) vs brute-force full descriptor search; 8 m correctness threshold (Kim et al., 2022b, Table VIII)

AUC (area under precision-recall curve)，KITTI odometry · KITTI 00

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Kim et al., 2022b 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：不適用；單位：ratio；場景：urban driving

資料來源作者報告值(Kim et al., 2022b, Table VIII)

數值與出處
方法（原文寫法）報告值出處
Polar Context (PC), retrieval key本方法原文提出0.84 ratio(Kim et al., 2022b, Table VIII)
Polar Context (PC), full descriptor本方法原文提出0.85 ratio(Kim et al., 2022b, Table VIII)
Cart Context (CC), retrieval key本方法原文提出0.8 ratio(Kim et al., 2022b, Table VIII)
Cart Context (CC), full descriptor本方法原文提出0.34 ratio(Kim et al., 2022b, Table VIII)

Kim et al., 2022b · Table IV 本方法 8 筆

表格設定（擷取紀錄原文）：ATE (mean / max) of LeGO-LOAM odometry vs Scan Context integrated SC-LeGO-LOAM (iSAM2 pose graph) (Kim et al., 2022b, Table IV)

ATE Trans. mean，MulRan · KAIST 03

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Kim et al., 2022b 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：平均值（mean）；對齊方式：原文未報告；單位：m；場景：campus

資料來源作者報告值(Kim et al., 2022b, Table IV)

數值與出處
方法（原文寫法）報告值出處
LeGO-LOAM20.7 m(Kim et al., 2022b, Table IV)
SC-LeGO-LOAM本方法原文提出3.4 m(Kim et al., 2022b, Table IV)

Kim et al., 2022b · Table V 本方法 6 筆

資料集與序列原文未報告

表格設定（擷取紀錄原文）：Time cost per query in ms; ours and M2DP measured in Matlab, SegMatch copied from its paper, PointNetVLAD on GPU (Kim et al., 2022b, Table V)

Description time，原文未報告

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Kim et al., 2022b 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：不適用；單位：ms

資料來源作者報告值(Kim et al., 2022b, Table V)

數值與出處
方法（原文寫法）報告值出處
Ours (PC)本方法原文提出硬體：Matlab, CPU (machine not stated for Table V)1.6 ms(Kim et al., 2022b, Table V)
Ours (A-PC)本方法原文提出硬體：Matlab, CPU (machine not stated for Table V)4.8 ms(Kim et al., 2022b, Table V)
M2DP硬體：Matlab, CPU (machine not stated for Table V)4.3 ms(Kim et al., 2022b, Table V)
SegMatch硬體：values copied from the SegMatch paper430.2 ms(Kim et al., 2022b, Table V)
PointNetVLAD硬體：GPU (GTX 1080 Ti)33.3 ms(Kim et al., 2022b, Table V)

其他比較組

列出其餘 2 個比較組

來源

  • Kim et al., 2022b

    Giseop Kim, Sunwook Choi, Ayoung Kim（2022）Scan Context++: Structural Place Recognition Robust to Rotation and Lateral Variations in Urban EnvironmentsIEEE Transactions on Robotics, 38(3):1856-1874

    DOI 10.1109/tro.2021.3116424arXiv 2109.13494程式碼

    同儕審查已出版已讀全文近十年查證後修正

程式碼：https://github.com/gisbi-kim/scancontext（授權：CC BY-NC-SA 4.0 (stated in README; non-commercial)）。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉