[论文解读] DCL-SLAM: A Distributed Collaborative LiDAR SLAM Framework for a Robotic Swarm

Shipeng Zhong, Yu-Hua Qi+4 more|arXiv (Cornell University)|Oct 21, 2022

Robotics and Sensor-Based Localization被引用 5

一句话总结

DCL-SLAM 是一种完全分布式的、前端无关的激光雷达 SLAM 框架，专为机器人集群设计，可在未知环境中实现低通信量的协作定位。它采用轻量级激光雷达-Iris 描述符实现高效的数据交互式机器人回环检测，并结合具备异常值剔除功能的分布式位姿图优化器，实现了更高的精度和 3–5 倍的带宽降低，优于当前最先进系统。

ABSTRACT

To execute collaborative tasks in unknown environments, a robotic swarm needs to establish a global reference frame and locate itself in a shared understanding of the environment. However, it faces many challenges in real-world scenarios, such as the prior information about the environment being absent and poor communication among the team members. This work presents DCL-SLAM, a fully distributed collaborative LiDAR SLAM framework intended for the robotic swarm to simultaneously co-localize in an unknown environment with minimal information exchange. Based on ad-hoc wireless peer-to-peer communication (limited bandwidth and communication range), DCL-SLAM adopts the lightweight LiDAR-Iris descriptor for place recognition and does not require full connectivity among teams. DCL-SLAM includes three main parts: a replaceable single-robot front-end that produces LiDAR odometry results; a distributed loop closure module that detects inter-robot loop closures with keyframes; and a distributed back-end module that adapts distributed pose graph optimizer combined with a pairwise consistent measurement set maximization algorithm to reject spurious inter-robot loop closures. We integrate our proposed framework with diverse open-source LiDAR odometry methods to show its versatility. The proposed system is extensively evaluated on benchmarking datasets and field experiments over various scales and environments. Experimental result shows that DCL-SLAM achieves higher accuracy and lower communication bandwidth than other state-of-art multi-robot SLAM systems. The full source code is available at https://github.com/zhongshp/DCL-SLAM.git.

研究动机与目标

• 在未知、无 GPS 信号的环境中，实现鲁棒、可扩展且通信高效的机器人集群协作定位。
• 通过最小化数据交换，在稀疏且不可靠的机器人间通信条件下，解决通信挑战，同时保持高定位精度。
• 开发一种与多种单机器人激光雷达里程计系统兼容的框架，无需修改前端模块。
• 在部分连接且通信范围动态变化的大规模机器人集群中，确保系统的可扩展性和鲁棒性。
• 通过真实世界野外实验和基准数据集，在多种环境条件下验证系统性能。

提出的方法

• 该框架采用可替换的单机器人激光雷达里程计前端，支持多种激光雷达传感器和里程计算法。
• 通过轻量级激光雷达-Iris 描述符实现机器人间的回环检测，将激光扫描编码为 29.12 kB 的描述符，便于高效传输。
• 采用三阶段通信流水线检测机器人间扫描的重叠区域，仅传输描述符和最小量的验证点云（VLP-16 每帧 99.92 kB）。
• 基于 [15] 的鲁棒异常值剔除方法，有效识别并排除虚假回环，提升一致性与精度。
• 采用两阶段分布式高斯-赛德尔（DGS）优化器，通过最小化信息交换实现位姿图优化，确保集群内的一致性。
• 系统以完全对等的点对点模式运行，无需中心化融合，保障可扩展性与容错能力。

实验结果

研究问题

• RQ1 完全分布式的激光雷达 SLAM 框架是否能在最小化机器人间通信的前提下，实现在未知环境中的高精度协作定位？
• RQ2 激光雷达-Iris 描述符在无需传输原始点云的前提下，是否能有效实现数据高效的机器人间回环检测？
• RQ3 在动态、低连通性的机器人集群中，结合异常值剔除的分布式位姿图优化，能在多大程度上提升轨迹精度与鲁棒性？
• RQ4 随着大规模环境中机器人数量的增加，该系统在性能和通信开销方面如何扩展？
• RQ5 该框架是否能在多样化的真实世界和基准环境中保持高精度与低带宽表现？

主要发现

• 在大规模校园实验中，DCL-SLAM 在九台无人地面车辆（UGV）上实现了平均绝对轨迹误差（ATE）1.83m，证明了其在复杂环境中的高精度。
• 在 9 台机器人实验中，平均带宽使用量为 34.36 kB/s（发送）和 193.57 kB/s（接收），显著低于集中式方法。
• 在 KITTI 数据集上，DCL-SLAM 将平均网络流量降低至 164.67 kB/s（机器人 α）和 181.60 kB/s（机器人 γ），而集中式 PGO 的流量高达 10.06 MB。
• 在孙中山大学的真实野外测试中，三台机器人实现了稳定一致的全局地图构建与轨迹估计，漂移极小，一致性高。
• 异常值剔除机制有效降低了回环检测中的误报率，提升了在具有相似结构环境中的鲁棒性。
• 通过前端无关的设计，该框架展示了对多种激光雷达里程计系统（包括 LIO-SAM 等）的可扩展性与兼容性。