[论文解读] Swarm-SLAM : Sparse Decentralized Collaborative Simultaneous Localization and Mapping Framework for Multi-Robot Systems

Pierre–Yves Lajoie, Giovanni Beltrame|arXiv (Cornell University)|Jan 16, 2023

Robotics and Sensor-Based Localization被引用 5

一句话总结

Swarm-SLAM 提出了一种针对使用激光雷达、双目和 RGB-D 传感器的多机器人系统、基于稀疏化、去中心化且通信高效的协作式 SLAM 框架。它采用基于代数连通性的预算化回环闭合选择方法，并结合高斯-牛顿法（GNC）后端，以实现最小数据交换下的高精度全局地图构建，已在三台机器人、475 米的真实实验中得到验证，通信数据量仅为 94.95 MB。

ABSTRACT

Collaborative Simultaneous Localization And Mapping (C-SLAM) is a vital component for successful multi-robot operations in environments without an external positioning system, such as indoors, underground or underwater. In this paper, we introduce Swarm-SLAM, an open-source C-SLAM system that is designed to be scalable, flexible, decentralized, and sparse, which are all key properties in swarm robotics. Our system supports inertial, lidar, stereo, and RGB-D sensing, and it includes a novel inter-robot loop closure prioritization technique that reduces communication and accelerates convergence. We evaluated our ROS-2 implementation on five different datasets, and in a real-world experiment with three robots communicating through an ad-hoc network. Our code is publicly available: https://github.com/MISTLab/Swarm-SLAM

研究动机与目标

• 为解决大规模多机器人团队中集中式协作式 SLAM 的可扩展性和通信瓶颈问题。
• 在 GPS 信号缺失的环境（如室内、地下或水下）中，实现鲁棒的去中心化地图融合。
• 在保持高定位与制图精度的同时，降低通信与计算开销，适用于集群机器人系统。
• 在统一的开源框架中支持多种传感器模态（激光雷达、双目、RGB-D），以实现真实环境中的部署。

提出的方法

• 基于代数连通性最大化设计预算化的机器人间回环闭合检测算法，以优先选择最具信息量的候选匹配。
• 采用去中心化的邻居管理策略，实现在无中央控制下机器人之间的间歇性、局部通信。
• 在单个经选举产生的中心机器人上应用基于高斯-牛顿法（GNC）的位姿图优化，以确保收敛性与鲁棒性。
• 集成 ROS 2 实现实时、模块化的执行，并支持在断开连接环境中部署的自组织网络。
• 通过线程级并行化稀疏化与优化过程，降低计算延迟。
• 利用 RGB-D 数据进行里程计估计，利用激光雷达数据进行场景识别，以实现高精度的机器人间回环闭合检测。

实验结果

研究问题

• RQ1 在大规模多机器人系统中，如何实现通信高效的机器人间回环闭合检测？
• RQ2 何种去中心化优化策略可在最小数据交换下确保高精度的全局地图对齐？
• RQ3 基于代数连通性的稀疏化、预算化回环闭合选择方法是否能提升收敛速度并降低通信负载？
• RQ4 在真实环境约束下，基于 GNC 的后端与分布式替代方案相比，在精度、通信与计算方面表现如何？
• RQ5 在真实世界、资源受限的环境中，去中心化、稀疏化的 C-SLAM 框架在精度与可扩展性方面能达到何种程度？

主要发现

• Swarm-SLAM 在所有测试的后端方法中实现了最高的精度（ATE），在全局地图一致性方面优于 DGS+PCM 和 D-GNC。
• 在三台机器人、475 米的真实实验中，系统仅传输了 94.95 MB 的通信数据，证明了其通信开销极低。
• 稀疏化耗时低于位姿图优化耗时，且通过使用独立线程有效缓解了性能瓶颈。
• 系统通过机器人子集的多次会合，成功收敛至单一全局参考坐标系，无需持续连接或中央控制。
• 尽管计算时间较高，GNC 后端在高异常值率（如相似外观的停车场环境）下仍表现出更优的精度与鲁棒性，优于分布式替代方案。
• 该框架成功处理了 3103 帧关键帧与 67 次回环闭合（其中 10 次被优化器拒绝），证明了其在真实条件下对测量异常值的强健性。