[论文解读] Monocular Vision based Collaborative Localization for Micro Aerial Vehicle Swarms

Sai Vemprala, Srikanth Saripalli|arXiv (Cornell University)|Apr 7, 2018

Robotics and Sensor-Based Localization被引用 5

一句话总结

本文提出了一种基于单目视觉的微型飞行器（MAV）蜂群协作定位框架，采用分布式特征匹配与位姿估计方法。通过融合个体（机内）与相对（机间）位姿估计，利用协方差交集技术，与单机方法相比，该方法将定位误差降低了最多30%，尤其在存在尺度模糊性的拒止GPS环境中表现更优。

ABSTRACT

In this paper, we present a vision based collaborative localization framework for groups of micro aerial vehicles (MAV). The vehicles are each assumed to be equipped with a forward-facing monocular camera, and to be capable of communicating with each other. This collaborative localization approach is built upon a distributed algorithm where individual and relative pose estimation techniques are combined for the group to localize against surrounding environments. The MAVs initially detect and match salient features between each other to create a sparse reconstruction of the observed environment, which acts as a global map. Once a map is available, each MAV performs feature detection and tracking with a robust outlier rejection process to estimate its own six degree-of-freedom pose. Occasionally, the MAVs can also fuse relative measurements with individual measurements through feature matching and multiple-view geometry based relative pose computation. We present the implementation of this algorithm for MAVs and environments simulated within Microsoft AirSim, and discuss the results and the advantages of collaborative localization.

研究动机与目标

• 通过蜂群内协同估计解决MAV单目视觉中的尺度模糊性问题。
• 仅使用前向单目相机，在GPS拒止或未知环境中实现鲁棒定位。
• 将计算负载分布在各MAV上，降低单个平台的机载处理需求。
• 通过融合个体位姿估计与邻近MAV的相对测量值，提升定位精度。
• 开发一种完全分布式的、间歇通信的框架，以减少带宽与能耗。

提出的方法

• 通过MAV之间的特征检测与匹配，构建环境的共享稀疏3D重建作为全局地图。
• 通过将全局地图中的特征追踪到自身，独立估计每架MAV的6-DOF位姿，实现机内定位。
• 通过多视角几何与车辆间的特征对应关系，计算相对位姿，实现机间定位。
• 使用协方差交集技术融合个体与相对位姿估计，以提升估计精度。
• 当特征追踪质量低于阈值时，动态更新全局地图，确保地图一致性。
• 在Microsoft AirSim中实现该算法进行仿真，采用真实的MAV动力学与视觉感知模型。

实验结果

研究问题

• RQ1 配备单目相机的MAV蜂群是否能在无GPS或先验环境地图的情况下实现高精度定位？
• RQ2 与独立估计相比，融合MAV之间的相对位姿测量如何提升定位精度？
• RQ3 间歇通信与分布式计算对蜂群中定位性能有何影响？
• RQ4 协作特征匹配与稀疏重建能否提升单目系统中的尺度估计？
• RQ5 在长距离轨迹与复杂机动（如90度转弯）过程中，系统如何保持定位精度？

主要发现

• 将机间相对位姿估计与机内独立位姿估计融合后，与仅使用独立估计相比，RMS定位误差最高降低了30%。
• 机间定位组件的不确定性始终低于机内定位（即置信度更高），尤其在MAV远离场景时表现更优。
• 在60米的前后轨迹中，MAV 1的X轴误差从3.6 cm（未融合）降至2.5 cm（已融合），MAV 2的Y轴误差从17.9 cm降至12.0 cm。
• 在90度城市飞行过程中，系统成功执行了中间地图更新，并在高机动与远距离条件下仍保持了准确的位姿估计。
• 3D轨迹图显示，融合估计值显著更接近真实轨迹，尤其在易发生漂移的阶段。
• 该算法在动态与复杂环境中表现出鲁棒性，即使在长时间导航与多次地图更新后，仍能实现成功定位。