协同视觉-惯性SLAM

泡泡图灵智库，带你精读机器人顶级会议文章

标题：CVI-SLAM – Collaborative Visual-Inertial SLAM

作者：Marco Karrer∗, Patrik Schmuck∗ and Margarita Chli

来源：IROS 2018

播音员：

编译：万应才

审核：李雨昊

欢迎个人转发朋友圈；其他机构或自媒体如需转载，后台留言申请授权

摘要

大家好，今天为大家带来的文章是——CIV-SLAM：协同视觉-惯导SLAM，该文章发表于IROS 2018。

机器人感知问题是阻碍机器人大规模应用于实际工作之中的关键问题，对于多智体，协同任务高效并且鲁棒性好的机器人感知能够极大的扩展机器人应用范围。利用每个Agent自身可靠视觉-惯导装置，作者提出了一种CVI-SLAM，一种新的用于集中协作的视觉-惯导SLAM框架。与中央服务器共享所有信息，每个Agent将计算量大的任务外包出去，例如消耗Agent计算资源的全局建图优化，并将Agent测量的结果传递给其他Agent，同时在Agent上运行视觉-惯导里程计确保以确保自主完成任务。通过对CVI-SLAM的深入分析，证明其准确性以及对协作性能的提升，并从实际Agent的数量和网络需求角度评价。

主要贡献

1、本文提出了一种多个机器人协同定位构图的方法。

2、通过计算建整合各个机器人个体传输到中心服务机的数据，优化建立同一个完整地图。

3 、通过优化使各个机器人与服务机的网络传输速度满足任务要求

论文总结

多个机器人共享信息，通过任务规划协同工作，能够提高任务效率，完成单个机器人不能完成的任务。但是，多机器人协作场景面临许多挑战，例如处理网络传输问题（例如，时间延迟和带宽）以及确保所有Agents之间准确连续的信息传输。由于IMU约束依赖于测量的相对时差，融合多个惯性测量单元（IMU）因为需要处理更多的数据增加了系统的复杂性，并且数据的共享和剔除变得更加困难。此外，相机图像和IMU测量需要同步，不断估计变化的IMU偏置项，为了得到准确的结果，需要求解旋转空间结构SO(3)。

作者提出的CVI-SLAM Agent使用视觉-惯性传感器，由于各个agent传感器的互补性，能够进行度量尺度估计和重力对准用于估计轨迹跟踪和建图，与单目SLAM相比具有更高的定位精度和鲁棒性。作者分六部分系统整体结构、误差残差建模、VIO、通信、冗余检测与消除和循环与地图融合构建CVI-SLAM系统并讨论CVI-SLAM的通讯带宽需求及其对Agent数量影响。最后在无人机公共数据集的上评估了具有1到4个Agents的场景下的CVI-SLAM运行速率及误差。

图1 多机器人协作建图两个agent用CVI-SLAM协作建图， agent1和agent2的轨迹和稀疏地图分别用白色和绿色表示。在不同的agent之间的可见性约束用红色表示。右下角的入口描绘了agent1的有限局部地图，其中最新的帧及其观测到的地图点用黄色着色，接收来自服务器的姿态更新的关键帧用橙色。

系统框架

图2 CIV-SLAM系统结构

通过通讯接口在Agent和服务器之间交换关键帧（KF）和地图点（MP）。Server具有高性能计算器运行计算量比较大的且实时性要求不高的任务如：冗余检测，回环检测，地图融合，和束约束。

CVI-SLAM 基本系统结构如图2所示，每个Agent上运行VIO系统，消息传输和处理与视觉处理和惯导数据适应。VIO对每个机器人的局部轨迹进行估计，并局部地图维护，该地图仅限于机器人局部一定数量的NKF。此外，每个Agent模块上的通信接口充当从服务器到机器人的接口。服务器可以与所有Agent通信，协调它们之间的信息交换。服务器在服务器映射堆栈上维护映射（服务器映射），保存在整个任务期间由所有代理收集的所有数据。从每个Agent的与一个服务器对应开始，服务器在整个任务中通过建立来自各个Agent的数据联系合并地图。服务器运行两个位置识别模块，一个循环检测模块以检测一个地图内的循环闭合，以及一个地图匹配模块以检测不同地图之间的重叠，从而可以合并这些单独的地图。关键帧数据库实现了高效的查找过程，允许新KF使用文件索引反向查询其他KF。

主要结果

1.不同算法与CVI-SLAM在单个Agent上均方误差和全局关键帧轨迹尺度误差对比

2.不同算法与CVI-SLAM在多个Agent上均方误差和全局关键帧轨迹尺度误差对比

3.单个和多个Agent的CVI-SLAM在Agent上的误差

4.单个Agent处理速度

5.不同数量的Agent的网络传输速度

Abstract

With robotic perception constituting the biggest impediment before robots are ready for employment in real missions, the promise of more efficient and robust robotic perception in multi-agent, collaborative missions can have a great impact many robotic applications. Employing a ubiquitous and well-established visual-inertial setup on board each agent, in this paper we propose CVI-SLAM, a novel visual inertial framework for centralized collaborative SLAM. Sharing all information with a central server, each agent outsources computationally expensive tasks, such as global map optimization to relieve on board resources and passes on measurements to other participating agents, while running visual-inertial odometry on board to ensure autonomy throughout the mission.Thoroughly analyzing CVI-SLAM, we attest to its accuracy and the improvements arising from collaboration, and evaluate its scalability in the number of participating agents and applicability in terms of network requirements.

如果你对本文感兴趣，想要下载完整文章进行阅读，可以关注【泡泡机器人SLAM】公众号。