為什麼筆直的走廊會畫歪
想像你閉著眼睛走過一棟樓，靠數步數和轉彎的感覺來判斷位置。每一步都差那麼一點點，每次轉彎都偏差一兩度。單看每個錯誤都不大，但它們不會互相抵消，而是不斷累加。走了一百公尺後，你對自己位置的估計可能就偏了好幾公尺，更糟的是，方向還被扭歪了。機器人在陌生環境裡建圖時面對的正是這種情況。在 SLAM（同步定位與建圖）中，機器人只靠自己的運動和感測器，一邊估計自己的路徑，一邊把世界畫出來。
這種靠數步數得到的運動估計有個名字：里程計。它在每個瞬間之間都非常平滑，卻沒有任何關於絕對真相的記憶，於是它的小誤差就悄悄累積起來。我們把這種緩慢的累積叫作漂移。漂移不是換個更好的輪子或更乾淨的感測器就能修好的故障，它是逐段估計運動時無法迴避的代價。
迴環閉合：「等等，我來過這裡」
下面這個精妙的想法能把地圖救回來。當機器人回到先前到過的地點並*認出*它時，這份「認出」就是一條漂移無法反駁的硬資訊：旅程中相隔遙遠的這兩個時刻，發生在同一個物理位置上。根據這份認出採取行動，就叫作 迴環閉合。
要用上它，機器人會加上一條約束——一根紐帶，宣告「我現在的位姿和我當時的位姿必須對齊」。如果把整條軌跡想像成一串由彈簧連接的位姿，里程計提供的是相鄰位姿之間的彈簧。迴環閉合則加上一根橫跨鏈條的長彈簧，把鬆脫的那一端拉回它真正該在的地方。這正是 位姿圖最佳化的核心：把每個位姿當作一個節點，把每次測量當作一根彈簧，讓所有彈簧穩定到一個與一切矛盾都盡量小的形狀。
機器人怎麼確認這真的是同一個地方，而不只是個長得像的地方？它會試著把當前的感測器視圖和先前的對齊——用基於 ICP（迭代最近點）的掃描匹配把兩幀光達點雲疊在一起，或者在兩幅相機畫面裡匹配同樣的視覺地標。一次良好的幾何吻合，能把一個充滿希望的猜測變成一條可信的約束。
自信的錯誤匹配有多危險
在加上迴環閉合之前，機器人得先找到候選者：在它去過的所有地方裡，哪個舊視圖看起來像眼前這個？這種搜尋就是 地點識別——把每個場景濃縮成一個緊湊的特徵簽名，然後問地圖「我見過類似的東西嗎？」。它一旦奏效，幾毫秒內就能認出一條走回頭的走廊。
可現實世界裡到處是「撞臉」的東西。兩個不同樓層的兩間辦公室，可能有一模一樣的桌子、一模一樣的門、一模一樣的空白牆面。這就是感知混淆：感測器無法區分的不同地點。如果地點識別上了當，斷言出一個錯誤的匹配，機器人就會把地圖上本不屬於同一處的兩個部分硬焊在一起。
判斷哪個觀測屬於哪個地點——並拒絕錯誤的配對——就是資料關聯問題，而迴環閉合正是它咬得最狠的地方。一次錯誤的閉合，破壞力遠超漂移。漂移只是把地圖輕輕彎曲；而一條錯誤的約束會把整棟樓的一翼猛地拽到另一翼上，最佳化器又偏偏信任這根壞彈簧，於是興高采烈地毀掉一張本來幾乎正確的地圖。
一次正確的閉合，能治癒整條路徑
現在來看回報。假設機器人繞一大圈漂移了兩公尺，然後正確地認出了起點。迴環閉合宣告這兩端必須重合——但這漂移並不是在終點一下子產生的，它是在整段旅程中均勻滲進來的。所以最佳化器不會只把終點啪地拉回家，而是把這份修正沿著迴環裡的每一個位姿向後攤開，讓每個位姿都挪動一點點。誤差被分攤出去，螺旋就舒展成一個乾淨的環。
因為位姿和地圖是綁在一起的，修好路徑也就修好了世界。機器人沿這一圈擺下的每一面牆、每一道門、每一個地標，都會滑到更一致的位置上。原本被畫成兩份略有錯位的走廊，會合併成一條。這一條約束的回報是它成本的許多倍——正是這種全域修正，才讓大尺度建圖成為可能。
Before closure (open loop, drift accumulating):
start *--*--*--*--*--*--* end <- should be back at start,
(poses drift outward) but ends 2 m away
Add one loop-closure spring ( end === start ):
start *--*--*--*--*--*--* end
^___________________________| correction pulled across ALL poses
After optimization (error shared out, ring closes):
*--*--*
/ \
* * one clean loop; map de-duplicated
\ /
*--*--*