[論文レビュー] Swarm-SLAM : Sparse Decentralized Collaborative Simultaneous Localization and Mapping Framework for Multi-Robot Systems

Pierre–Yves Lajoie, Giovanni Beltrame|arXiv (Cornell University)|Jan 16, 2023

Robotics and Sensor-Based Localization被引用数 5

ひとこと要約

Swarm-SLAMは、ライダー、ステレオ、RGB-Dセンサを用いたマルチロボットシステムのためのスパarsely、分散型で通信効率の良い協調SLAMフレームワークを提案する。代数的接続性に基づく予算付きループクロージャ選択とGNCに基づくバックエンドを採用することで、最小限のデータ交換で高精度なグローバルマッピングを実現し、3台のロボットが475メートルを走行する実世界実験で検証された。通信データはわずか94.95 MBであった。

ABSTRACT

Collaborative Simultaneous Localization And Mapping (C-SLAM) is a vital component for successful multi-robot operations in environments without an external positioning system, such as indoors, underground or underwater. In this paper, we introduce Swarm-SLAM, an open-source C-SLAM system that is designed to be scalable, flexible, decentralized, and sparse, which are all key properties in swarm robotics. Our system supports inertial, lidar, stereo, and RGB-D sensing, and it includes a novel inter-robot loop closure prioritization technique that reduces communication and accelerates convergence. We evaluated our ROS-2 implementation on five different datasets, and in a real-world experiment with three robots communicating through an ad-hoc network. Our code is publicly available: https://github.com/MISTLab/Swarm-SLAM

研究の動機と目的

• 大規模なマルチロボットチームにおける集中型協調SLAMのスケーラビリティと通信ボトルネックを解決すること。
• GPS不能環境（屋内、地下、水中など）においても、強固で分散型のマップ統合を可能にすること。
• 通信および計算のオーバーヘッドを低減しながら、スウォームロボティクスにおける高い局所化およびマッピング精度を維持すること。
• 実世界への展開を想定し、ライダー、ステレオ、RGB-Dといった多様なセンサモダリティを統合的に扱えるオープンソースフレームワークを提供すること。

提案手法

• 代数的接続性最大化に基づく予算付きのロボット間ループクロージャ検出アルゴリズムを用い、最も情報価値の高い候補マッチを優先する。
• 中央管理者が存在しない分散型のネイバー管理戦略を採用し、ロボット間の断続的で局所的な通信を可能にする。
• 単一の中央選出ロボット上でガウス・ニュートン法（GNC）に基づくポーズグラフ最適化を実行することで、収束性と耐障害性を確保する。
• ROS 2を活用してリアルタイムでモジュラーな実行を実現し、離脱環境での展開に適したアドホックネットワークをサポートする。
• スパarsificationと最適化のスレッドレベル並列処理を実装し、計算遅延を低減する。
• RGB-Dとライダーのデータをそれぞれオドメトリと場所認識に活用することで、高精度なロボット間ループクロージャ検出を実現する。

実験結果

リサーチクエスチョン

• RQ1 大規模なマルチロボットシステムにおいて、ロボット間のループクロージャ検出をどのように通信効率的に実現できるか？
• RQ2 最小限のデータ交換で、グローバルマップの正確なアライメントを保証する分散型最適化戦略は何か？
• RQ3 代数的接続性に基づくスパースで予算付きのループクロージャ選択法は、収束速度の向上と通信負荷の低減に寄与するか？
• RQ4 GNCベースのバックエンドは、実世界の制約下で通信量・計算量・精度の観点から、分散型代替手法と比較してどのように差をつけるか？
• RQ5 分散型でスパースなC-SLAMフレームワークは、実世界のリソース制約環境において、精度とスケーラビリティをどの程度維持できるか？

主な発見

• Swarm-SLAMは、テストされたバックエンド手法の中で最高の精度（ATE）を達成し、グローバルマップの一貫性においてDGS+PCMおよびD-GNCを上回った。
• 実世界実験において、3台のロボットが合計475メートル走行したが、通信データ量はわずか94.95 MBにとどまり、通信オーバーヘッドが低いことが実証された。
• スパarsificationの処理時間はポーズグラフ最適化の処理時間よりも低く、別々のスレッドを用いることで性能ボトルネックが緩和された。
• 恒久的な接続性や中央管理者を必要とせず、ロボットのサブセット間での順次レニャズスによって、単一のグローバル基準フレームに正常に収束した。
• 計算時間は高めであったが、特に類似した駐車場環境からの高い外れ値率に対しても、GNCバックエンドは分散型代替手法に比べて優れた精度と耐障害性を示した。
• フレームワークは3103枚のキーフレームと67件のループクロージャ（うち10件は最適化器で却下）を正常に処理でき、実世界の測定外れ値に対しても耐性を示した。