[论文解读] Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot Systems

Yulun Tian, Yun Chang+4 more|arXiv (Cornell University)|Jun 28, 2021

Robotics and Sensor-Based Localization参考文献 85被引用 4

一句话总结

Kimera-Multi 提出了一种完全分布式的、鲁棒的且通信高效的多机器人 SLAM 系统，能够在实时环境中构建全局一致的密集度量-语义 3D 网格地图。通过结合分布式场景识别与一种新颖的鲁棒位姿图优化（D-GNC），该系统在排斥感知伪影异常值的同时，实现了与集中式系统相当的轨迹精度，并通过语义网格标注支持高层空间人工智能。

ABSTRACT

This paper presents Kimera-Multi, the first multi-robot system that (i) is robust and capable of identifying and rejecting incorrect inter and intra-robot loop closures resulting from perceptual aliasing, (ii) is fully distributed and only relies on local (peer-to-peer) communication to achieve distributed localization and mapping, and (iii) builds a globally consistent metric-semantic 3D mesh model of the environment in real-time, where faces of the mesh are annotated with semantic labels. Kimera-Multi is implemented by a team of robots equipped with visual-inertial sensors. Each robot builds a local trajectory estimate and a local mesh using Kimera. When communication is available, robots initiate a distributed place recognition and robust pose graph optimization protocol based on a novel distributed graduated non-convexity algorithm. The proposed protocol allows the robots to improve their local trajectory estimates by leveraging inter-robot loop closures while being robust to outliers. 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, SLAM benchmarking datasets, and challenging outdoor datasets collected using ground robots. Both real and simulated experiments involve long trajectories (e.g., up to 800 meters per robot). The experiments show that Kimera-Multi (i) outperforms the state of the art in terms of robustness and accuracy, (ii) achieves estimation errors comparable to a centralized SLAM system while being fully distributed, (iii) is parsimonious in terms of communication bandwidth, (iv) produces accurate metric-semantic 3D meshes, and (v) is modular and can be also used for standard 3D reconstruction (i.e., without semantic labels) or for trajectory estimation (i.e., without reconstructing a 3D mesh).

研究动机与目标

• 使多机器人 SLAM 系统能够抵御感知伪影，并在通信带宽受限的条件下运行。
• 仅通过点对点通信，在实时环境中构建全局一致的密集度量-语义 3D 网格地图。
• 在保持完全分布性和低通信开销的同时，实现与集中式 SLAM 相当的轨迹估计精度。
• 通过为网格面片添加语义标签（例如“建筑”、“道路”）来支持高层决策。
• 开发一个模块化系统，可独立支持 3D 重建与轨迹估计。

提出的方法

• 每台机器人使用 Kimera 构建局部轨迹估计和使用视觉-惯性传感器生成的局部密集 3D 网格。
• 当通信可用时，机器人执行分布式场景识别以检测跨机器人和内部的回环闭合。
• 一种新颖的分布式渐进非凸性（D-GNC）算法采用两阶段基于 RBCD 的方法执行鲁棒位姿图优化，以排斥异常值。
• D-GNC 通过在机器人之间迭代更新变量，利用本地点对点通信实现完全分布式的优化。
• 每台机器人使用全局优化后的轨迹来形变并校正其局部网格，从而提高度量-语义精度。
• 该系统具有模块化设计，可独立用于标准 3D 重建或轨迹估计，无需语义标注。

实验结果

研究问题

• RQ1 完全分布式的多机器人 SLAM 系统能否在最小化通信带宽的前提下，实现与集中式系统相当的度量-语义精度？
• RQ2 如何通过鲁棒的分布式优化在多机器人 SLAM 中有效缓解感知伪影？
• RQ3 能否仅通过点对点通信实时构建具有语义标签的全局一致密集 3D 网格地图？
• RQ4 在具有挑战性的室外环境中，所提出的 D-GNC 算法与集中式及先前的分布式异常值排斥方法相比性能如何？
• RQ5 在稀疏跨机器人回环闭合和视觉退化条件下，该系统在多大程度上保持精度？

主要发现

• 在 Medfield 数据集上，Kimera-Multi 将端到端轨迹误差降低至 0.01–0.13 米，与集中式求解器性能相当，而 Kimera-VIO 的漂移则达到 14.84–24.55 米。
• 在更具挑战性的 Stata 数据集上，经过 2000 次 RBCD 迭代后，Kimera-Multi 的端到端误差为 1.17–33.13 米，显著优于初始估计值，并接近集中式性能。
• 与基线集中式 SLAM 相比，该系统显著降低了通信成本，通过点对点回环闭合交换实现在极低带宽下的高精度。
• D-GNC 算法成功排斥了由感知伪影引起的异常回环闭合，即使在跨机器人回环稀疏的情况下也能实现鲁棒优化。
• Kimera-Multi 生成的最终优化 3D 网格表现出更高的度量-语义精度，面片被正确标注，且各机器人之间的几何保真度得以保持。
• Kimera-Multi 在长轨迹（每台机器人最长达 860 米）上表现出可扩展性和鲁棒性，验证了其在室外环境中的实际适用性。