研究报告

本研究由Patrik Schmuck和Margarita Chli团队完成，作者隶属于Vision for Robotics Lab, ETH Zurich（苏黎世联邦理工学院机器人视觉实验室），并发表在2017 IEEE International Conference on Robotics and Automation (ICRA)会议上，研究主题为“multi-UAV collaborative monocular SLAM”。研究旨在探索多小型无人机（UAV）基于单目视觉的协作SLAM（Simultaneous Localization and Mapping, 同时定位与建图）方法。

研究背景

SLAM问题是机器人领域的基础问题，因为自主导航必须依赖于自运动估计和建图能力。近年来，随着单目SLAM算法的发展，小型无人机（UAV）成为了高度便携、低功耗并且能够在搜索营救、工业检测、农业监控等任务中执行有力自主导航的理想平台。然而大多数现有研究主要聚焦于单一无人机的SLAM系统，而对于多机器人协作SLAM的研究却相对较少。协作SLAM通过多个机器人共享工作负载并分担计算任务，能够提高效率并增加鲁棒性。本研究旨在设计一个新型集中式架构，使得多无人机可以协作完成单目视觉SLAM任务。

研究目的

本研究的主要目标是提出一种新型集中式协作SLAM架构：通过多架无人机同时探索环境并组建局部地图，同时向中央服务器传输数据，服务器负责地图管理、闭环检测（loop closure）、地图融合、全局优化等计算量大的任务，并返回优化信息，帮助每架无人机实时更新其SLAM估计。

研究方法

系统架构

研究提出的系统架构由多个独立的无人机（每个配备单目相机）与一台中央服务器组成。通信通过无线网络进行。无人机独立运行实时视觉里程计（Visual Odometry, VO），同时建立局部地图；与此并行，中央服务器执行非实时且计算量大的任务，包括地图融合、全局优化等。

1. 无人机端处理模块：

   • 视觉里程计模块： 基于特征点追踪，通过关键帧（keyframes，KF）生成局部地图，并在局部范围内优化姿态图（pose graph）。
   • 局部地图限制： 无人机仅保存附近一定数量的关键帧（n个）以减少计算需求，局外信息则传递至服务器存储。

2. 中央服务器模块：

   • 地图融合： 服务器汇总多个无人机的局部地图，当检测到重叠场景时进行闭环匹配（loop closure），并执行全局地图优化（Global Bundle Adjustment, BA）。
   • 数据结构管理： 维护一个包含所有无人机局部地图的“地图堆栈”，同时构建关键帧数据库以支持场景匹配。
   • 通信与安检流程： 无人机通过ROS框架发送实时数据，服务器对收到信息执行一致性与安全性校验，如检测数据丢失或重复。

3. 实验工具：

   • 本系统基于开源单目SLAM算法ORB-SLAM2进行测试和实现，这是一种目前性能较强的关键帧式SLAM算法。
   • 地图优化采用g2o框架实现非线性优化。

实验设计

该研究通过两组实验验证了框架在不同场景中的性能： 1. 实验1：室内两手持相机探索 - 使用两台手持单目相机（充当模拟无人机）独立探索一个50m × 25m的办公室环境，验证协作SLAM在改善轨迹估计与全局地图的有效性。 - 改善轨迹的关键步骤包括局部闭环检测、地图融合，并通过服务器反向更新无人机轨迹。

1. 实验2：室外四无人机飞越花园
   • 使用四架小型无人机在一个60m×30m花园区域上空导航，并采用激光跟踪仪（地面参考设备）获取高精度地面真值数据，同时记录无人机的局部地图更新与服务器的全局地图优化。
   • 主要任务包括地图堆栈中动态整合四架无人机的地图，以及解决不同地图间的缩放同步问题（scale alignment）。

实验结果

实验1：室内场景

• 无协作的单机SLAM结果：

  • 两架模拟无人机轨迹中，随着路径延长，其累积误差（drift）显著增加。例如，Agent B的轨迹在某些点出现偏离真实路线并穿过墙壁的现象。

• 协作SLAM结果：

  • 部分闭环检测点触发全局优化，对无人机轨迹实时纠正。例如，Agent A和B轨迹在某位置汇合，通过地图融合优化了Agent B的全局轨迹，使之更符合实际地图结构和地形。
  • 改善后的轨迹精度显著增强，同时被同步至每架无人机用于实时更新。

实验2：室外场景

• 动态地图堆栈：

  • 起始时每架无人机为独立地图，后续通过服务器发现地图重叠部分实施融合，最终整合为一个包含所有信息的全局地图。
  • 地图融合准确处理了不同地图的缩放因子（scale factor），保证了整合数据的一致性。

• 多无人机共享数据增强SLAM：

  • Agent A中生成的新地图点被传递给Agent B，并在后续轨迹估计中用于位置跟踪；部分点被两架无人机共同使用，体现了该系统协作感知能力的优势。
  • 最终轨迹误差（RMSE）可控制在0.22m以内，体现出较高的精度。

研究结论

本研究提出了一种适用于小型无人机的集中式协作单目SLAM架构，能够在保持单机实时SLAM性能的同时，通过协作提升地图构建的全局一致性，并实时校正每个无人机的路径估计。实验表明，该系统在中等规模任务场景中具有实用价值，尤其在闭环检测和信息融合方面的表现优异。

研究意义与展望

• 科学价值： 该研究展示了协作SLAM在多机器人场景下的潜力，不仅为机器人学研究带来新的技术框架，还为复杂场景中的自主导航任务提供理论支持。
• 应用价值： 这一架构可广泛应用于搜索与营救、大规模环境建模与工业场景监控任务，为同时部署多无人机执行任务的实际场景提供指导。
• 未来方向： 随着任务场景规模和无人机数量增大，服务器端优化所需时间可能成为系统瓶颈。未来研究将深入探索通过关键帧选择减少优化负载以进一步提高实时性能。

创新与亮点

1. 协作式SLAM不仅限于地图生成，还通过地图融合和优化增强各无人机的自主感知能力。
2. 设计的集中式架构实现了计算任务的高效分工，将计算密集型任务转移至服务器。
3. 系统明确处理了多地图间的缩放因子问题，确保整合信息一致性。

这篇研究为多无人系统的SLAM开发提供了新思路，同时扩展了该技术在更多应用场景中的可能性。