[论文解读] VIO-UWB-Based Collaborative Localization and Dense Scene Reconstruction within Heterogeneous Multi-Robot Systems

Jorge Peña Queralta, Qingqing Li+2 more|arXiv (Cornell University)|Nov 2, 2020

Robotics and Sensor-Based Localization被引用 15

一句话总结

本文提出了一种基于UWB-VIO的异构UGV+MAV系统协作定位框架，可在GNSS拒止环境中实现精确、实时的稠密场景重建。通过融合UWB测距与VIO进行相对位姿估计，并将基于激光雷达的视场角（FoV）与视线（LoS）约束整合进一种新型的DMTSPN公式中，该系统确保了全局刚性与鲁棒定位，其有效性通过仿真和真实世界实验得到验证，原始数据层面的点云对齐效果良好。

ABSTRACT

Effective collaboration in multi-robot systems requires accurate and robust estimation of relative localization: from cooperative manipulation to collaborative sensing, and including cooperative exploration or cooperative transportation. This paper introduces a novel approach to collaborative localization for dense scene reconstruction in heterogeneous multi-robot systems comprising ground robots and micro-aerial vehicles (MAVs). We solve the problem of full relative pose estimation without sliding time windows by relying on UWB-based ranging and Visual Inertial Odometry (VIO)-based egomotion estimation for localization, while exploiting lidars onboard the ground robots for full relative pose estimation in a single reference frame. During operation, the rigidity eigenvalue provides feedback to the system. To tackle the challenge of path planning and obstacle avoidance of MAVs in GNSS-denied environments, we maintain line-of-sight between ground robots and MAVs. Because lidars capable of dense reconstruction have limited FoV, this introduces new constraints to the system. Therefore, we propose a novel formulation with a variant of the Dubins multiple traveling salesman problem with neighborhoods (DMTSPN) where we include constraints related to the limited FoV of the ground robots. Our approach is validated with simulations and experiments with real robots for the different parts of the system.

研究动机与目标

• 解决异构多机器人系统在GNSS拒止环境中协作定位的挑战。
• 通过融合UGV激光雷达与MAV深度相机的数据，实现稠密三维场景重建，同时保持相对位姿的高精度。
• 确保UGV与MAV之间持续的视线（LoS）与视场角（FoV）约束，以支持可靠的UWB测距与定位。
• 提出一种新型DMTSPN公式，考虑UGV激光雷达视场受限导致的遮挡问题，提升实际部署的可行性。
• 在不依赖运动捕捉系统或固定信标系统的情况下，实现原始数据层面的高精度点云对齐。

提出的方法

• 利用基于UWB的测距与基于VIO的自运动估计，在统一参考坐标系中估计UGV与MAV之间的相对位姿。
• 利用UGV上的机载激光雷达检测MAV位置，并在运行过程中保持视线（LoS），以确保UWB通信的可靠性。
• 引入刚性特征值反馈机制，用于监控并维持定位图中的全局图刚性。
• 提出一种改进的杜布林多旅行商问题带邻域（DMTSPN）变体，整合UGV激光雷达的有限视场角约束。
• 在DMTSPN中将“邻域”定义为障碍物导致的遮挡区域，并将其映射为环境中激光雷达的“阴影”区域。
• 将UGV与MAV之间的视线（LoS）约束整合进DMTSPN求解器中，以确保持续可见性与稳定定位。

实验结果

研究问题

• RQ1 在不依赖运动捕捉系统或固定信标的情况下，如何在异构UGV+MAV系统中实现协作定位？
• RQ2 UWB与VIO融合在GNSS拒止环境中能多大程度上实现精确、实时的相对位姿估计？
• RQ3 如何对UGV激光雷达的有限视场角进行形式化建模，并将其整合进MAV的路径规划中，以维持可见性与定位精度？
• RQ4 包含视场角与视线约束的改进DMTSPN公式是否能提升协作场景重建的鲁棒性与实际应用性？
• RQ5 在不进行后处理的情况下，所提出的定位框架能多好地对齐UGV与MAV的原始点云？

主要发现

• 所提出的UWB-VIO定位框架可在单一统一参考坐标系中实现精确的相对位姿估计，经真实实验验证。
• 系统在UGV与MAV之间持续维持视线（LoS）与视场角（FoV）约束，确保了稳定的UWB测距与图刚性。
• 仿真结果表明，加入视场角约束的DMTSPN公式能有效防止UGV在有限视场内丢失MAV，而基线DMTSPN则无法实现。
• 真实世界实验表明，UGV激光雷达与MAV深度相机的原始点云在原始数据层面实现了良好的对齐，表明定位精度极高。
• 10 Hz的定位频率支持约20台机器人保持视线连接，展示了在带宽限制下的可扩展性。
• 该系统使MAV能够在复杂动态环境中运行，依赖UGV提供的精确实时定位与路径规划数据，减少了对自身传感器的依赖。