一、前言
作者是卡内基梅隆大学机器人研究所 Sudharshan Suresh。本文介绍了一种适用于水下机器人的主动SLAM方法：
- 通过信息增益进行启发式探索；
- 对子地图的显著性进行衡量以确定回环目标；
- 回环与探索之间的切换策略。
二、子地图显著性的定义 Submap Saliency
2.1 构建字典
离线创建三维场景字典；有点像把易于匹配的点提前选出来了；具体的方式如下图所示：
检测特征点à提取描述子à K-means聚类
2.2 全局子地图显著性 (global submap saliency, GloSSy)
GloSSy是表示特征独特程度的一种度量
其中，
是子地图中所包含单词（特征聚类）的集合；
表示子地图中
单词
的数量；
是到目前为止子地图的个数；
在每次产生新子地图是都应该更新；
关于是否显著性越大回环成功率越高，作者没有给出实验证明。只是给出了显著性低和高的例子，empirically 凭经验验证。
三、主动SLAM框架
3.1 因子图构建
本文构建的因子图包含3种约束：
XYH (X Y Heading 由DR给出，不确定性较高)
ZPR (Z Pitch Roll 由高精度传感器给出，为绝对约束不确定性很低)
ICP (由ICP算法产生的回环约束，不确定性由 量化)
3.2 主动SLAM策略
如下图所示，本文提出的主动SLAM策略具有以下特点：
（1）通过
,进行探索和Revisit的切换；
（2）探索采用NBV 策略；
（3）回环点由显著性相关的效用方程选取得出；
四、论文的评价指标 The metrics authors assess
地图的质量、位姿不确定性、回环的数量、探索的体积
