[论文解读] A Collaborative Visual SLAM Framework for Service Robots

Mingjun Ouyang, Xuesong Shi+6 more|arXiv (Cornell University)|Feb 5, 2021

Robotics and Sensor-Based Localization参考文献 24被引用 4

一句话总结

本文提出了一种面向服务机器人的协作式视觉SLAM框架，利用边缘服务器维护集中式地图数据库，通过高效的特征点检索实现实时、低开销的信息共享。通过仅查询视图预测的特征点并执行轻量级更新，该系统在通信和计算成本极低的情况下，实现了多台机器人和摄像头之间的可扩展、高精度定位与地图融合。

ABSTRACT

We present a collaborative visual simultaneous localization and mapping (SLAM) framework for service robots. With an edge server maintaining a map database and performing global optimization, each robot can register to an existing map, update the map, or build new maps, all with a unified interface and low computation and memory cost. We design an elegant communication pipeline to enable real-time information sharing between robots. With a novel landmark organization and retrieval method on the server, each robot can acquire landmarks predicted to be in its view, to augment its local map. The framework is general enough to support both RGB-D and monocular cameras, as well as robots with multiple cameras, taking the rigid constraints between cameras into consideration. The proposed framework has been fully implemented and verified with public datasets and live experiments.

研究动机与目标

• 使多台服务机器人能够在动态环境中协同构建并复用一张共享的、实时更新的地图。
• 通过仅传输关键帧特征点和优化后的特征点而非原始图像，降低通信与计算开销。
• 支持异构相机配置，包括RGB-D、单目和多相机机器人，并在全局优化中施加刚性相机间约束。
• 设计一种可扩展的客户端-服务器架构，在保持客户端自主性的同时维护地图一致性，即使在间歇性连接条件下亦可运行。
• 基于预测的相机视图实现实时特征点检索，最小化带宽使用。

提出的方法

• 系统采用客户端-服务器架构，每台机器人维护轻量级本地地图以实现实时跟踪，而边缘服务器则存储并优化全局地图。
• 机器人仅交换特征点和优化后的特征点，显著降低带宽与服务器端计算负载。
• 基于网格的特征点索引机制可实现快速、实时的特征点检索，仅返回可能出现在当前相机视场中的特征点。
• 服务器执行回环检测、地图融合与全局位姿图优化，以提升精度与一致性。
• 多相机机器人被建模为多个独立客户端，其相机间刚性约束在全局优化过程中被强制实施。
• 该框架基于OpenVSLAM构建，支持单目与RGB-D相机，并实现多相机数据的无缝集成。

实验结果

研究问题

• RQ1 如何在最小化通信开销的前提下，实现多台服务机器人高效共享视觉SLAM数据？
• RQ2 如何在支持实时客户端更新的同时，使集中式边缘服务器维持一致且全局优化的地图？
• RQ3 如何有效检索仅与机器人当前视图相关的特征点，以最小化带宽使用？
• RQ4 系统如何支持不同类型的相机及具有刚性相机间约束的多相机机器人？
• RQ5 相比单机器人SLAM，协作式地图融合在多大程度上提升了定位精度？

主要发现

• 系统在market1-1序列上的绝对轨迹误差（ATE）略优于OpenVSLAM：2.51m vs. 2.53m；在market1-2序列上为3.34m vs. 3.70m，表明通过协作式回环检测实现了更高的精度。
• 平均上行通信成本为每客户端0.5 MB/s，下行通信成本为0.1 MB/s，证明了数据传输的高效性与极低的带宽使用。
• 服务器端特征点检索平均仅耗时1.7 ms，验证了基于网格的搜索方法的高效性。
• 地图融合与位姿图优化的处理时间分别为0.60s和1.12s/周期，表明延迟可接受，适合实时运行。
• 在四核服务器上，系统可稳定支持多达八名客户端，CPU使用率维持在100%-150%之间，表明具备良好的可扩展性。
• 五次会话后，由真实多相机机器人构建的最终地图完整覆盖了所有探索区域，并与办公室平面图高度对齐，即使在跟踪失败和视角变化后仍保持良好一致性。