[论文解读] A Robot Web for Distributed Many-Device Localisation

Riku Murai, Joseph Ortiz+3 more|arXiv (Cornell University)|Feb 7, 2022

Energy Efficient Wireless Sensor Networks参考文献 51被引用 4

一句话总结

本文提出 Robot Web，一种基于共享非线性因子图上高斯信念传播（GBP）的分布式、可扩展框架，用于多设备定位，通过异步、对等通信实现无需集中协调的高精度全局定位。该系统在高异常值率和通信故障情况下，仍能保持与批量优化相当的精度，同时具备高效的计算和通信性能。

ABSTRACT

We show that a distributed network of robots or other devices which make measurements of each other can collaborate to globally localise via efficient ad-hoc peer to peer communication. Our Robot Web solution is based on Gaussian Belief Propagation on the fundamental non-linear factor graph describing the probabilistic structure of all of the observations robots make internally or of each other, and is flexible for any type of robot, motion or sensor. We define a simple and efficient communication protocol which can be implemented by the publishing and reading of web pages or other asynchronous communication technologies. We show in simulations with up to 1000 robots interacting in arbitrary patterns that our solution convergently achieves global accuracy as accurate as a centralised non-linear factor graph solver while operating with high distributed efficiency of computation and communication. Via the use of robust factors in GBP, our method is tolerant to a high percentage of faults in sensor measurements or dropped communication packets.

研究动机与目标

• 实现无需依赖集中式系统或云基础设施的大规模异构机器人或设备的完全分布式、可扩展定位。
• 解决真实多机器人系统中常见的动态、异步和不可靠通信环境中全局定位的挑战。
• 开发一种系统，即使在传感器故障、通信中断和网络拓扑变化的情况下，也能保持高精度。
• 在计算资源有限的真实机器人上实现该系统，确保实际可部署性。
• 为未来类似万维网的开放、互操作性“机器人网络”奠定基础，实现设备间几何与空间信息的开放交换。

提出的方法

• 系统将多机器人定位建模为非线性因子图，每个机器人维护全局图的本地片段，包括位姿变量、里程计因子和机器人间测量因子。
• 采用高斯信念传播（GBP）作为推理引擎，通过机器人之间的分布式、迭代消息传递，收敛到全局一致的定位估计。
• 每个机器人发布并更新其“Robot Web 页面”——即传出消息的表示形式——使用标准化的异步通信协议，如网页或其他轻量级数据交换机制。
• 该方法扩展支持李群，以精确表示三维旋转和刚体变换，这对实际机器人应用至关重要。
• 在 GBP 中集成鲁棒因子，以拒绝由故障传感器或噪声观测引起的异常测量，增强对非高斯噪声的鲁棒性。
• 采用时间窗口机制，通过丢弃超过阈值的旧位姿变量和因子，限制存储和通信开销，实现长期运行。

实验结果

研究问题

• RQ1 完全分布式、对等的系统是否能在大规模多机器人系统中实现与集中式批量优化相当的全局定位精度？
• RQ2 在高通信故障、传感器噪声和异常测量水平下，系统性能如何？
• RQ3 当机器人动态加入或离开网络，或实时重新配置传感器时，系统能否保持可扩展性和收敛性？
• RQ4 在计算资源有限的真实机器人上实现此类系统是否可行？
• RQ5 系统能否泛化以支持任意机器人类型、运动模型和传感器模态，而无需预先协调或拓扑知识？

主要发现

• Robot Web 系统在最多 1000 台机器人的仿真中，实现了与集中式非线性因子图求解器相当的全局定位精度。
• 系统表现出高度鲁棒性，成功拒绝了大量异常测量，并在严重通信故障下仍能保持收敛。
• 在真实世界实验中，系统仅使用机载计算资源即成功定位了九台物理机器人，证实了实际可行性。
• 时间窗口机制有效控制了存储和通信开销，实现了长期运行而无系统性能退化。
• 系统完全动态，支持任意机器人拓扑，包括断连连接和传感器配置的在线变更。
• 将鲁棒因子集成到 GBP 显著提升了对非高斯噪声的鲁棒性，在噪声环境中表现优于标准 GBP。