本文的主要作者为Hanwen Cao、Sriram Shreedharan和Nikolay Atanasov，隶属于美国加州大学圣地亚哥分校（University of California San Diego）电气与计算机工程系。本研究发表在《IEEE Robotics and Automation Letters》（IEEE机器人与自动化快报），并于2024年8月正式接收。
研究领域： 本文研究属于多机器人系统与SLAM（Simultaneous Localization and Mapping，即同时定位与地图构建）领域。SLAM是移动机器人在未知环境中实现自主运行的基本问题，被广泛应用于运输、仓储自动化、环境监测等领域。
研究背景与问题： 随着机器人集群（multi-robot systems）在复杂任务中的广泛应用，多个机器人协作执行任务需要共享环境地图和一个统一的参考框架。然而，传统基于中心化服务器的SLAM系统面临若干问题： 1. 通信和基础设施依赖：中心化系统需要基础设施支持，耗费大量通信带宽； 2. 单点故障：一旦中央服务器失效，整个机器人系统的功能将崩溃； 3. 计算不可扩展：中心化系统无法很好地支持大规模机器人团队。
因此，开发分布式SLAM技术成为一个重要研究方向，分布式系统通过点对点通信消除中心化基础设施的限制，同时提升弹性与系统扩展性。
研究目标： 本文将多机器人SLAM问题中的目标对象定位（object SLAM）建模为分布式变分推断（distributed variational inference），提出了一种新型分布式算法解决方案，旨在实现机器人间的高效协作，同时改进定位和地图构建的精度并增强系统的可扩展性。研究目标包括： - 构建无中心化架构的分布式SLAM； - 开发纳入通信约束的分布式算法； - 在真实和仿真数据上验证方法的有效性。
本文设计了一套理论与实践相结合的研究框架，包括问题建模、算法开发和实验验证。以下将分模块详细介绍。
1. 问题建模： 本研究将多机器人目标SLAM问题形式化为以下概率推断问题： - 机器人状态与地图定义：定义第i个机器人的状态为( s{i,t} )，包含其位姿（pose）( x{i,t} )和对象位置( y )的组合；整个团队地图由特征（landmarks）表示； - 运动模型与观测模型： 1. 机器人状态通过已知的马尔科夫模型演化； 2. 每个机器人通过局部观测模型接收传感器数据。 - 网络拓扑：建立连接图( G=(V,E) )，节点V表示机器人，边E表示通信能力。
问题目标是：所有机器人在仅能与一跳（one-hop）邻居通信的限制下，通过分布式优化方法，联合估计状态和地图。
2. 算法开发： 研究者基于变分推断技术与镜像下降方法（Mirror Descent），开发了一种分布式算法： 1. 变分推断框架： - 最小化变分分布与后验分布之间的Kullback-Leibler（KL）散度； - 通过分布预估( q_i(s_i) )与采样优化实现状态估计。 2. 镜像下降算法： - 镜像下降允许通过广义距离函数（Bregman Divergence）优化分布，与传统欧几里得距离有显著不同； - 引入正则化项，在共享目标变量（例如共同观测的目标对象）上强制达成一致。 3. 分布式平均—共识步骤： - 算法包含一项“共识平均”步骤，将邻居机器人的共享变量分布纳入优化，以实现一致性。 4. 分布式多状态约束卡尔曼滤波器（MSCKF）： - 使用高斯分布简化以上推断步骤； - 开发出一种分布式MSCKF算法，用于目标SLAM任务。
3. 实验设计： 实验部分包括真实数据与仿真场景的验证： 1. 数据来源： - 真实数据来自KITTI数据集，涵盖长序列驾驶场景； - 仿真数据生成复杂多机器人系统环境，包括更高通信丢失率等条件。 2. 实验形式： - 对比中心化与分散化SLAM的性能； - 验证方法在弹性、扩展性和精度上的改进。
本文在真实和仿真实验中验证了所提方法的有效性，结果包括以下几点：
1. KITTI 数据实验： 在KITTI数据集中，分布式SLAM取得了以下改进： - 轨迹估计：机器人团队的平均轨迹误差显著降低，分别验证了单一机器人SLAM与分布式SLAM的对比效果； - 对象定位：目标对象的位置估计误差同样明显减少；与单机操作相比，共识平均步骤提升了队伍的整体一致性； - 通信开销：共识步骤仅需要共享共同观测目标的分布，通信成本显著低于传统方案。
2. 仿真实验： - 仿真中测试了3至15机器人团队的扩展性，算法表现出随着机器人数量增加仍能保持性能的良好伸缩性； - 当通信丢包率高达90%时，算法仍能维持较高精度，展示了其弹性。
结论： 本文开发了一种分布式目标SLAM算法，基于镜像下降推断方法提供了新的理论模型与实践工具。实验表明，本文方法在定位精度、对象映射、一致性和可扩展性上均优于现有方法，为实现非中心化、不依赖基础设施的多机器人SLAM提供了重要进步。
科学意义： - 理论层面，该研究首次将目标SLAM与分布式变分推断结合； - 应用层面，该方法对于多机器人协同任务（如救援、环境数据收集等）有重大实际价值。
研究者计划在未来探索该方法的任务规划应用，如协作目标检测与路径规划。同时，该工作在理论与实践上可进一步适应更复杂的通信拓扑与实时任务场景。本研究获得NSF FRR Career 2045945与ARL DCIST CRA W911NF-17-2-0181的资助，作者对技术讨论中的同事与数据准备支持者表示感谢。