一篇关于多机器人协同SLAM软件框架的学术研究报告

作者与出处

本文的主要作者为 Isaac Deutsch、Ming Liu 和 Roland Siegwart，其中 Isaac Deutsch 和 Roland Siegwart 隶属于瑞士苏黎世联邦理工学院（ETH Zurich）自动化系统实验室，Ming Liu 则隶属于香港城市大学机械与生物医学工程系的机器人及多感知实验室（RAM-Lab）。这项研究发表在2016 IEEE International Conference on Real-Time Computing and Robotics会议上。

学术背景

本文的研究领域是机器人学中的同时定位与建图（Simultaneous Localization and Mapping, 简称SLAM），尤其是多机器人协同SLAM。SLAM问题是许多机器人应用的核心，包括自动驾驶、农业监测和救援任务等。传统SLAM算法需要同时解决两个基本问题：通过构建环境地图实现机器人自身定位，并在定位过程中更新地图。但是，单一机器人的SLAM能力容易受到传感器漂移、遮挡，以及环境复杂度的限制。

近年来，图（pose graph）结构的SLAM方法因其稀疏性和扩展性受到广泛关注，同时多机器人SLAM因其分布式计算和任务分解能力，成为解决大规模地图构建问题的潜在方案。多机器人系统的优势在于它们能够分工合作、共享信息，以及通过数据冗余实现更高的鲁棒性。然而，将现有的单机器人SLAM算法推广到多机器人场景仍存在技术挑战，例如：如何在不同机器人之间实现精确的地图数据合并，以及如何处理由于网络延迟导致的图优化不一致性。

本文研发了一套名为Team SLAM（TSLAM）的软件框架，旨在结合现有的单机器人SLAM系统，构建一个易用且高效的多机器人协同SLAM平台。

研究方法与详细工作流程

1. 研究目标与技术概述

TSLAM框架既非独立SLAM系统，也非对现有SLAM算法的重构，而是一个用于增强单机器人SLAM系统在多机器人环境下表现的通用平台。它通过以下关键步骤实现协同建图： - 各机器人分别运行单机SLAM系统，生成局部位姿图（pose graph）。 - 局部位姿图通过视觉特征匹配合并到全局位姿图中。 - 全局图优化后，将反馈数据传回各机器人，以提高它们的定位和建图精度。

2. 具体研究流程

硬件设置与实验对象
为开发和验证新框架，作者使用了三个由移动底盘、RGB-D相机和带有Wi-Fi连接功能的便携式笔记本组成的移动机器人平台。此外，还设计了一台中央工作站计算机充当服务器以汇总数据。

数据流与模块划分
数据在各机器人上进行初步处理后通过Wi-Fi发送至中央工作站，框架的主要模块包括： 1. 图像预处理模块：运行在移动机器人上，提取特征点，同时过滤掉视景中不适合进行特征匹配的点。 2. 图融合与优化模块：运行在中央计算站上，负责多个局部图的场景识别、相对位姿计算及非线性图优化。

图像预处理与特征点过滤
在机器人侧，经过局部SLAM系统初步处理后，框架提取ORB（Oriented FAST and Rotated BRIEF）特征点。为减少带宽占用，仅发送特征点信息至工作站，而不是整个图像。对于具有深度信息的图像（如RGB-D相机数据），框架使用了一种名为“十字滤波器”的技术，剔除视景深远、曲面或边缘附近的低质量特征点。

图优化与多机器协作
- 中央工作站负责将每个机器人传来的局部图对齐到全局图中。具体方法包括Fab-Map的Bag-of-Words（词袋）方法进行场景识别，随后采用8点算法计算相对位姿。 - 图数据通过G2O（一个图优化库）进行优化。优化过程中检测并自动修正由网络延迟引起的数据冲突，通过引入信任因子（Trust Factor）解决局部图和全局图优化不一致的问题。

主要研究结果

1. 相对位姿估计实验结果

作者通过一个工业机器人臂KUKA Agilus进行位置精度验证实验。相机沿着规定路径运动并捕捉图像。这些静态图像被用于测试几种相对位姿计算算法，结果显示8点算法在运行时间与位姿准确性之间达到了最佳平衡（平均位置误差仅13.2毫米，低于其他算法），且适用于TSLAM框架。

2. 多机器人协同SLAM实验

使用两组数据集（“办公室”和“地面层”），作者设计了多机器人建图实验，三个机器人分别控制在不同区域进行建图，局部重叠区域约为25平方米。 - 当单机器人SLAM系统发生局部定位失败（通常由里程计漂移和局部特征不足引起）时，多机器人TSLAM框架能够通过数据融合和全局优化，修复局部图错误并恢复各机器人的定位能力。 - 全局合并后的地图说明，协同工作使得多个机器人更快覆盖地图范围，且弥补了单一机器人因局部路径失误导致的全局图误差。

研究的结论与意义

本文提出的TSLAM框架可为现有单机SLAM算法提供一种直接迁移为多机器人协作SLAM的工具，极大地降低了多机器人SLAM开发的门槛。同时，提出的新机制（例如“信任因子”和“十字滤波器”）有效缓解了延迟影响以及错误特征匹配问题。

TSLAM具有两点重要实用价值：1）为多机器人应用中的协同建图提供了标准化支持，尤其是在网络条件复杂以及多机器人异构环境下；2）模块化设计使其能够兼容多种SLAM输入算法及硬件平台，拓展性强。

研究亮点与展望

TSLAM的主要亮点包括： - 开创性的将单机器人SLAM系统整合为跨平台的多机器人框架。 - 提出特征点的新型过滤方法和一致性修正算法，在视觉SLAM中具有创新意义。 - 验证了多机器人协作的鲁棒性对大型地图构建效率的提升。

未来研究方向建议： 1. 将具体测绘结果纳入优化过程，进一步提高地图精度； 2. 在混合SLAM系统（例如：将基于激光和基于视觉的SLAM系统数据相结合）中测试框架的灵活性； 3. 研究TSLAM在大规模应用场景中的地形拓扑分割与优化方法。

总结

此研究通过物理实验和理论创新，为多机器人协同SLAM提供了实用解决方案，展现了较高的学术和实际应用价值，为后续研究奠定了基础。