例行免责声明：以下文字是一个语言渣逗比随意书写，如有问题请联系本人。
同步定位和映射（SLAM）是大多数自治系统所需的基本功能。在本文中，我们基于自动驾驶汽车记录的3D激光扫描来解决SLAM的闭环问题。我们的方法利用深度神经网络，利用从LiDAR数据生成的不同线索来查找回路闭合。它估计一般化为范围图像的图像重叠，并提供扫描对之间的相对偏航角估计。基于这样的预测，我们将解决环路闭合检测问题，并将我们的方法集成到现有的SLAM系统中以改善其映射结果。我们评估了KITTI里程表基准测试和福特校园数据集序列的方法。我们证明了我们的方法可以有效地检测出闭环，其性能超过了最新方法的检测性能。为了突出我们方法的泛化能力，我们在福特校园数据集上评估模型，而仅使用KITTI进行培训。实验表明，即使在看不见的环境中，学习到的表示也能够提供可靠的闭环候选对象。
作者认为直接对比两个点云之间的距离不够精确，因为会受漂移的影响。因此提出用重叠率来代替距离检测回环。 简单来说就是将两个点云转化为二维图并且坐标系对齐，如果两个坐标差小于阈值记为1，否则为零，求和再除以两个图中像素较小的那个，作者想用这个等式建立训练集。对于旋转，作者选择旋转多个角度，用最大重叠值代表最终重叠值。
作者把深度图，向量图，强度图，还用RangeNet++做了个语义图一起作为输入。 一个输出是角度特征向量，一个输出是两次扫描之间的重叠率。 loss: 重叠率loss： 角度loss： 关于位姿，作者采用了SuMa，是一个基于ICP的SLAM。
