《论文笔记》Multi-UAV Collaborative Monocular SLAM

男娘i 2023-09-28 12:43 136阅读 0赞

##### 时间：2017 #####

##### 作者： #####

![在这里插入图片描述][03881d128e5941af88b0c8b0d30fb5db.png]

##### 实现条件： #####

多agent+一中心服务器。每一个agent自带单目摄像头，中心服务器可与所有agent通信。agent没有任何先验知识。不考虑任何的传输延时所带来的不良影响。

##### 分工 #####

agent工作：采集数据+建立局部地图+传送数据  
  服务器工作：place recognition(位置识别)，map fusion(地图融合)，bundle adjustment(束调整)  
  注：agent和server通信频率不是固定的

##### 物理结构： #####

多资源有限无人机(配置单目摄像头，单机ORB-SLAM2算法)+中心资源控制  
  中心型相较于分布式优点(在节点资源有限情况下)：  
    1）保持数据一致性、避免重复计算信息  
    2）大计算任务/对时延不敏感任务交给server，资源有限初计算关键任务

##### 理论结构： #####

![在这里插入图片描述][eb1c0f9dad6541329119658b9c2a7481.png]

**agent包括**：  
    1）VO：用来处理图像信息，形成KF  
    2）Communication：与server进行通信(帧的传输)  
    3）Local map：通过VO方式自身维护局部地图，设置最多k个KF，通过Trimming过程决定维护的k个KF(有缓冲区机制)  
  **server包括**：  
    1）agent Handler(数量同agent)：包括communication(帧的传输)和Intra-MapPlicae(匹配自身的Server Map)。解决数据传输和数据转换的问题  
    2）Global Map Stack：用于存储每个agent的Server Map(初始化数量与agent相同)，单一agent反馈信息改进该agent对应的Server Map，多agent遇到特征点相同时Server Map彼此融合。  
    3）Place Recognition Database：存储所有agent采集的所有关键帧，用于进行匹配，为匹配数据库(因agent资源有限，每个agent只能保存N个KF，而数据库不限制)  
    4）Inter-Map Place(匹配其他的Server Map, 匹配成功说明两个Server Map可融合)  
    5）Map Fusion：地图融合模块，操作对象是Server Map(两层：单一agent融合，多agent融合)  
    6）Global BA：对全局地图进行优化。发生Global BA有两种情况：(1)map fusion (2)检测到回环。发生Global BA过程中传输来的KF不予考虑。

##### 通信模型： #####

1）server→agent  
  2）agent→server→agent（当server识别到agent有共同特征时，利用已知的其他agent信息反馈给原agent）  
  agent和server基于ROS的消息传递机制进行通信，对实时性没有要求。无线网络传输，连接时一切正常，agent和server断开连接时不再交流。为了传输时减少loss，设置信息阈值，进行切割。  
  agent发给server有确认接受机制，两类信息：Ppred和Ppar，用当前信息用于确保agent上一个发给server的成功接受。对于server发给agent的信息不用确认接受机制

##### 本文创新点及思想： #####

提出了一种协同SLAM框架可实现更好的感知。试验使用单目视觉SLAM完成，每个agent采集数据，数据以KF(keyframe关键帧)为数据结构基本单位。采集一帧后传给server。由server做place recognition，如果从两帧中提取到大量相同特征认为两agent走过相同地方。用B的经验传给A，用A的经验传给B以实现agent之间的交流(同时发生)，强化agent的局部地图完整。同时server处会进行一次BA(bundle adjustment，束调整)。利用两帧数据强化全局地图中这部分的细节。

##### 实验证明： #####

![在这里插入图片描述][62205d55817e4a79afb93108f9d9b3bb.png]

上图agentB(蓝)形成自己的识别轨迹，agentA(黑)形成的轨迹被用于加强B的轨迹。可明显看出左侧红色点分布更密集，说明此处B的缺失数据被A进行补齐。实现了更好的全局地图。

##### 备注： #####

1.KF(Key Frame)和MP(Map Point)之间的关系？  
  每次agent采集到的数据叫帧(frame)，tracking thread会决定frame是否为KF(Key Frame)。local map中将每个KF作为一个点，两个KF若有多个匹配MP则将两个KF进行连线，组成graph  
  2.Trimming机制：若缓冲区为空，则取之前最新的k-1个KF+新到KF。若缓冲区满，则优先排除(借助serve)从其余agent处传递来的KF，若排除全部其余agent仍大于K，按时间排列，扔掉旧的。k的大小看资源条件。越大越健壮  
  3.server mapping分了三个步骤：(1)把KF送到三个操作KF的部分 (2)在KF和MP之间建立联系 (3)进行KF rejection  
  4.KF rejection：也叫redundarcy dectection，用于处理同一位置不同视角，减少KF的冗余度，以便更好的Global BA。不是全部情况都发生，只有需要Global BA的时候才有。思想是使server map越小越好  
  5.Sim(3)-transformation发生情况有两种：(1) agent发给server KF时，经过转化进入server map stack (2)map merging时，两个来自server map stack的map合并  
  6.关于这篇文章还有一个扩展的版本：CCM-SLAM: Robust and Efficient Centralized Collaborative Monocular SLAM for Robotic Teams。两篇文章的作者相同，这篇相比本文谈到这个篇幅更多，介绍了更多的实现细节，没有太多新的东西。本篇博客的内容一部分参考这个。

##### 配套资料： #####

源码网址：[https://github.com/VIS4ROB-lab/ccm\_slam][https_github.com_VIS4ROB-lab_ccm_slam]  
  示例视频网址：[https://www.youtube.com/watch?v=L9rHht8fE5E][https_www.youtube.com_watch_v_L9rHht8fE5E]

**因作者水平有限，如有错误之处，请在评论区下方指出，谢谢！**

[03881d128e5941af88b0c8b0d30fb5db.png]: https://img-blog.csdnimg.cn/03881d128e5941af88b0c8b0d30fb5db.png
[eb1c0f9dad6541329119658b9c2a7481.png]: https://img-blog.csdnimg.cn/eb1c0f9dad6541329119658b9c2a7481.png
[62205d55817e4a79afb93108f9d9b3bb.png]: https://img-blog.csdnimg.cn/62205d55817e4a79afb93108f9d9b3bb.png
[https_github.com_VIS4ROB-lab_ccm_slam]: https://github.com/VIS4ROB-lab/ccm_slam
[https_www.youtube.com_watch_v_L9rHht8fE5E]: https://www.youtube.com/watch?v=L9rHht8fE5E