视觉 SLAM 回环误匹配？词袋与几何校验调参实战

视觉 SLAM 跑着跑着轨迹突然跳变，十有八九是回环检测误匹配：两处长得很像的地方被当成同一个地方，位姿图一优化，整条轨迹都歪了。回环不是检出越多越好，误检一次的代价比漏检十次还大。
我的调参思路是分层把关。第一层是词袋模型：词典训练数据要和部署场景接近，室内词典拿到室外用，相似度分数会整体虚高；相似度阈值不要一次放太低，先在有真值的轨迹上跑，统计误匹配率再定。第二层是几何校验：候选回环必须过对极几何或 PnP 检验，内点数太少直接否掉，不要因为词袋分数高就放行。第三层是时间一致性：单个回环不要立刻进图，连续几帧都指向同一回环才采纳，单帧误匹配最容易被这一层拦住。第四层是优化后的复核：位姿图优化后检查相邻帧的相对位姿变化，跳变过大的回环要回滚。
还有两个现场经验：一是弱纹理、重复结构（比如长走廊、停车场）是误匹配重灾区，这类场景要收紧阈值、宁可漏检；二是光照突变会让特征描述子漂移，回环阈值在白天和夜晚最好分开标定，不要用同一组参数跑全天。
你们调回环时，几何校验的内点数阈值一般定多少？有没有因为一次误匹配导致整段轨迹报废的经历？

词袋→几何→时间一致性→优化后复核，这套分层能显著压误匹配。弱纹理长廊、重复货架区建议单独抬高几何内点阈值，宁可漏检；光照突变场景可对描述子做曝光鲁棒预处理，或缩短回环搜索时间窗。单帧高分候选不要立刻进图，连续多帧指向同一候选再采纳。优化后若相邻相对位姿跳变超阈，应支持回滚该回环边并保留日志，避免「修一次图歪一路」。

补充一点现场做法：时间一致性这一步，除了连续几帧指向同一回环，还要看内点的空间分布。只看内点总数容易被重复纹理骗过，内点集中在画面一小块区域时，即使数量达标也应降级处理；内点均匀分布、且覆盖近中远不同深度时，可信度才高。
优化后复核也很关键，建议在接受回环前先对位姿图做快照，优化后检查相邻帧的相对位姿变化和重投影残差是否突变。变化超过阈值就回滚该回环并记录候选帧、词袋分数、内点数和分布情况，而不是直接把优化结果写回地图，这样事后才能复现是哪一帧把轨迹带歪的。
弱纹理长廊场景，我倾向再加一层里程计一致性校验：回环给出的相对位姿与轮式里程计加惯导的短期推算差距过大时，先暂缓进图，等多帧证据一致再放行。光照突变时，缩短搜索时间窗确实有效，但也要注意不要把时间窗缩得太短，导致真正回到原地时反而漏检，分时段标定阈值比全局收紧更稳妥。