[论文解读] Fully Onboard SLAM for Distributed Mapping with a Swarm of Nano-Drones

Carl Friess, Vlad Niculescu+3 more|arXiv (Cornell University)|Sep 7, 2023

UAV Applications and Optimization被引用 1

一句话总结

本论文提出了一种完全基于机载计算的纳米无人机蜂群SLAM系统，采用四个64像素深度传感器（VL53L5CX）和轻量级ICP/SLAM算法，专为192 kB的ARM Cortex-M微控制器优化。该系统在最多4架无人机的情况下实现了12 cm的实时映射精度，并在20架无人机时展现出映射时间与通信带宽的线性可扩展性。

ABSTRACT

The use of Unmanned Aerial Vehicles (UAVs) is rapidly increasing in applications ranging from surveillance and first-aid missions to industrial automation involving cooperation with other machines or humans. To maximize area coverage and reduce mission latency, swarms of collaborating drones have become a significant research direction. However, this approach requires open challenges in positioning, mapping, and communications to be addressed. This work describes a distributed mapping system based on a swarm of nano-UAVs, characterized by a limited payload of 35 g and tightly constrained onboard sensing and computing capabilities. Each nano-UAV is equipped with four 64-pixel depth sensors that measure the relative distance to obstacles in four directions. The proposed system merges the information from the swarm and generates a coherent grid map without relying on any external infrastructure. The data fusion is performed using the iterative closest point algorithm and a graph-based simultaneous localization and mapping algorithm, running entirely onboard the UAV's low-power ARM Cortex-M microcontroller with just 192 kB of memory. Field results gathered in three different mazes with a swarm of up to 4 nano-UAVs prove a mapping accuracy of 12 cm and demonstrate that the mapping time is inversely proportional to the number of agents. The proposed framework scales linearly in terms of communication bandwidth and onboard computational complexity, supporting communication between up to 20 nano-UAVs and mapping of areas up to 180 m2 with the chosen configuration requiring only 50 kB of memory.

研究动机与目标

• 在极端硬件约束下，实现纳米无人飞行器蜂群的完全机载、无基础设施映射。
• 通过使用新型64像素多区域飞行时间传感器阵列，克服以往低分辨率深度传感器和依赖外部计算的局限。
• 开发一种轻量级、实时的SLAM流水线，仅在资源受限的微控制器上运行，且内存仅192 kB。
• 通过在蜂群中广播所有位姿信息，实现分布式、可扩展的映射，具备冗余与容错能力。
• 在不同蜂群规模和环境条件下，展示映射时间的线性加速与一致的精度。

提出的方法

• 每架纳米无人飞行器搭载四个VL53L5CX 8×8飞行时间传感器（前、后、左、右），提供360°深度图，每个传感器输出64个深度像素。
• 将深度测量值投影到无人机的本地坐标系中，生成2D扫描数据，并通过优化的迭代最近点（ICP）算法进行扫描匹配。
• 采用基于图的SLAM框架，将无人机位姿作为节点，航位推算与回环检测作为边，通过基于ICP的扫描匹配检测回环。
• 所有SLAM与ICP计算均在机载端完成，基于192 kB RAM的ARM Cortex-M微控制器，采用定制优化实现。
• 位姿与地图数据广播至所有蜂群成员，实现分布式存储与全蜂群冗余带来的容错能力。
• 系统支持最多20架无人机，仅使用50 kB机载内存即可映射最大180 m²区域，采用轻量级通信协议。

实验结果

研究问题

• RQ1 蜂群纳米无人机是否能仅依靠机载计算与低功耗深度传感器实现高精度、实时映射？
• RQ2 与单像素传感器或基于激光雷达的系统相比，64像素多区域飞行时间传感器在映射精度与计算负载方面表现如何？
• RQ3 ICP与SLAM在仅192 kB内存与低功耗预算的微控制器上，可优化到何种程度？
• RQ4 随着蜂群规模增加，该系统的通信带宽与计算复杂度如何变化？
• RQ5 是否能实现完全分布式、冗余的映射系统，且无需外部基础设施或基站支持？

主要发现

• 在三种不同迷宫的实地实验中，系统实现了12 cm的映射精度。
• 映射时间与无人机数量成反比，表明系统在蜂群规模上具有线性可扩展性。
• 优化后的ICP算法每次迭代耗时26–83 ms，满足纳米无人机的实时性要求。
• 整个SLAM流水线（包括ICP与图优化）运行在仅192 kB内存的微控制器上，实际仅使用50 kB内存。
• 系统支持最多20架无人机，可映射最大180 m²区域，所有数据在各成员间分布存储，具备容错能力。
• 系统功耗仅为240 mW，相比同类先进SLAM系统在更大平台上的功耗降低了31倍。