[论文解读] Kimera-Multi: a System for Distributed Multi-Robot Metric-Semantic Simultaneous Localization and Mapping

Yun Chang, Yulun Tian+2 more|arXiv (Cornell University)|Nov 8, 2020

Robotics and Sensor-Based Localization参考文献 74被引用 75

一句话总结

Kimera-Multi 提出了一套面向密集度量-语义 SLAM 的首个完全分布式的多机器人系统，使视觉-惯性机器人团队能够协作构建高精度、带语义标签的三维网格地图，并实现实时处理。通过结合分布式场景识别、增量最大团异常值剔除、基于黎曼块坐标下降的位姿图优化，以及实时网格形变技术，该系统在通信量减少 80% 且计算负载更低的情况下，实现了高精度性能。

ABSTRACT

We present the first fully distributed multi-robot system for dense metric-semantic Simultaneous Localization and Mapping (SLAM). Our system, dubbed Kimera-Multi, is implemented by a team of robots equipped with visual-inertial sensors, and builds a 3D mesh model of the environment in real-time, where each face of the mesh is annotated with a semantic label (e.g., building, road, objects). In Kimera-Multi, each robot builds a local trajectory estimate and a local mesh using Kimera. Then, when two robots are within communication range, they initiate a distributed place recognition and robust pose graph optimization protocol with a novel incremental maximum clique outlier rejection; the protocol allows the robots to improve their local trajectory estimates by leveraging inter-robot loop closures. Finally, each robot uses its improved trajectory estimate to correct the local mesh using mesh deformation techniques. We demonstrate Kimera-Multi in photo-realistic simulations and real data. Kimera-Multi (i) is able to build accurate 3D metric-semantic meshes, (ii) is robust to incorrect loop closures while requiring less computation than state-of-the-art distributed SLAM back-ends, and (iii) is efficient, both in terms of computation at each robot as well as communication bandwidth.

研究动机与目标

• 开发一种在通信、计算和感知等实际约束条件下，面向密集度量-语义 SLAM 的完全分布式多机器人系统。
• 通过机器人之间的协作融合本地估计，实现实时、高精度的三维度量-语义网格重建。
• 在保持对错误回环检测鲁棒性的前提下，减少通信带宽和计算负载。
• 通过基于实时网格形变的轨迹优化与网格校正相结合，实现全局地图的一致性更新。

提出的方法

• 每台机器人使用 Kimera-VIO 和 Kimera-Semantics，基于视觉-惯性数据和语义分割结果，构建本地轨迹与密集度量-语义三维网格。
• 当处于通信范围时，机器人通过关键帧的词袋（BoW）描述符执行分布式场景识别。
• 采用一种新颖的增量最大团算法，用于在分布式位姿图优化（PGO）流程中实现鲁棒的异常值剔除。
• 通过黎曼块坐标下降（RBCD）方法实现分布式 PGO，支持在机器人之间高效、可扩展的优化。
• 利用优化后的轨迹估计，通过基于 Sumner 等人 [52] 的方法实现的实时网格形变，对本地网格进行校正。
• 系统采用去中心化架构，所有处理与优化均在本地完成，最大限度减少对集中式计算或通信的依赖。

实验结果

研究问题

• RQ1 一个完全分布式的多机器人系统是否能在通信和计算需求极低的前提下，实现高精度、实时的密集度量-语义 SLAM？
• RQ2 在无中心融合点的去中心化环境中，如何实现鲁棒的机器人间回环检测与异常值剔除？
• RQ3 与集中式或先前的分布式方法相比，采用增量最大团剔除的分布式 PGO 在提升轨迹精度的同时，能在多大程度上降低计算成本？
• RQ4 基于机器人间协作优化轨迹的实时网格形变，在校正本地网格方面有多高效？
• RQ5 在大规模多机器人度量-语义映射中，通信效率、计算负载与重建精度之间存在何种权衡？

主要发现

• 与集中式系统相比，Kimera-Multi 将通信量减少了高达 80%，无论传输原始图像还是关键点。
• 在 Camp 数据集上，系统实现了 2.28 米的 ATE，在 Vicon Room 2 上实现了 0.308 米的 ATE，表明其具有高轨迹精度。
• 增量最大团异常值剔除方法在提升对错误回环检测的鲁棒性的同时，相比先前方法降低了计算开销。
• RBCD 的早停变体平均仅需 2.76 秒即可获得令人满意的轨迹估计，适用于实时部署。
• 通过局部优化实现的网格形变，将城市模拟场景中合并网格的语义重建准确率从 67.91% 提升至 83.93%。
• 系统在 ATE 和 PGO 成本上均优于本地 PGO 和 DGS 方法；在除 Vicon Room 2 外的所有数据集上，RBCD 的成本更低且精度更高，但在 Vicon Room 2 上，回环中的噪声影响了性能。