最新开源DCL-SLAM:一种用于机器人群体的分布式协作激光雷达 SLAM 框架
最新开源DCL-SLAM:一种用于机器人群体的分布式协作激光雷达 SLAM 框架
为了在未知环境中执行协作任务，机器人群体需要建立一个全局参考框架，并在共享的环境理解中定位自身。然而，在现实世界中，这面临许多挑战，例如环境的先验信息缺失以及团队成员之间的通信不畅。本文提出了DCL-SLAM，这是一种与前端无关的完全分布式协作激光雷达（LiDAR）SLAM框架，可在信息交换量较低的情况下实现未知环境中的协同定位。基于点对点通信，DCL-SLAM采用轻量级的LiDAR-Iris描述子进行地点识别，不需要全队的完全连接。DCL-SLAM包含三个主要部分：可替换的单机器人前端LiDAR里程计、用于检测机器人之间重叠的分布式回环闭合模块，以及结合排除伪回环测量的分布式后端模块，该模块适应分布式位姿图优化器。
一、介绍
在SLAM领域中，同时定位与地图构建（SLAM）是机器人导航中的一项基本能力，尤其在未知和无GPS环境中。已有大量文献专注于单机器人SLAM的先进方法。然而，与单机器人系统相比，多机器人系统在时间敏感的应用中，如工厂自动化、不安全区域探测、智能交通和军民搜索与救援等，表现出更显著的能力和工作效率。因此，基于单机器人SLAM，过去十年中已经研究了多种机器人群体的协作SLAM（C-SLAM）方法。C-SLAM的目标是整合各机器人的数据，建立相对位姿变换，并在机器人之间创建全局地图。
然而，在机器人群体的实际应用中，C-SLAM仍是一个未解决的问题，目前的研究面临若干挑战，因为机器人间的通信可能缓慢（带宽限制）或不可行（通信范围有限）。由于激光雷达（LiDAR）具备高分辨率点云、对各种天气和光照条件的鲁棒性等多种优势，已有许多LiDAR C-SLAM方法被提出。然而，大多数系统并不适用于机器人群体，而更适合于机器人团队，特别是在具有通信约束的大规模场景中。此外，许多C-SLAM研究通过将数据集拆分成多个部分进行系统评估，这无法代表机器人群体的实际协作。因此，在真实场景中从多个平台收集合成数据进行系统评估是必要的。尽管C-SLAM是一个相对年轻的研究领域，但它前景广阔。
基于此，本文提出了DCL-SLAM，一种完全分布式的协作激光雷达SLAM框架，面向机器人群体。DCL-SLAM专注于数据高效和鲁棒的机器人间通信，使用部分位姿测量和间接数据关联实现一致的轨迹估计。该框架兼容各种基于LiDAR里程计的要求和场景，无需额外努力。每个机器人独立执行单机器人的前端，并在队友处于通信范围内时实现协同定位。为满足通信约束，集成了轻量级全局描述子LiDAR-Iris，用于描述激光扫描和检测回环闭合，无需交换额外的原始数据。此外，我们设计了三阶段的数据高效分布式回环闭合方法，以获取机器人间的相对位姿变换。随后，基于方法进行的异常值剔除用于移除伪机器人间回环闭合，以提高鲁棒性。最后，所有收集到的测量值通过两阶段的分布式Gauss–Seidel（DGS）方法进行联合优化，所需的信息交换最小化。
我们使用多个多机器人数据集对框架进行评估，包括公开数据集（如KITTI）和使用三台无人地面车辆（UGVs）采集的校园数据集。图1直观展示了这些UGVs的轨迹和重建地图。
图 1. 由 DCL-SLAM 框架在前端使用 LIO-SAM 和三台 UGV 重建的地图和轨迹，分别以绿色、红色和蓝色显示，地点为中山大学东校区图书馆。
总结来说，本研究的贡献如下：
- 提出了一个与前端无关、完全分布式的协作LiDAR SLAM框架，支持快速迁移到不同的LiDAR传感器、平台和场景。
- 提出了一种高度集成的数据高效的机器人间回环闭合检测方法，通过三阶段通信流程实现高精度和鲁棒性。
进行了广泛的实验评估，包括性能、可扩展性和真实场景测试，以验证所提出的系统。该系统的自定义数据集和源代码已向公众开放。
本文其余部分的组织结构如下：第II节回顾了相关的机器人间回环闭合、异常值剔除以及多机器人位姿图优化（PGO）的背景文献。第III节介绍了所提出的DCL-SLAM系统框架。第IV节提供了实验结果，包括性能、精度和通信情况。第V节给出了结论。
图 2. 提出的完全分布式协作 LiDAR SLAM，DCL-SLAM，由可替换的单机器人前端模块组成，用于生成里程计因子和机器人内部回环因子；分布式回环闭合模块，用于检测机器人之间的回环闭合；分布式 PGO 模块，用于在排除错误回环测量的情况下估计机器人群的全局轨迹；以及点对点通信模块，用于交换必要的数据（描述符、测量值、位姿估计等）