名字太长了,放不下~ 全名是:
Adaptive_decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_multiple_UAV
时间:2011
作者:
创新点:
提出一种分布式架构,可用于基于视觉的UAV协作SLAM。同时提出一种特征提取方法(ACI)
本文认为多机协同难点:通信资源有限
实现条件:
多UAV(配置立体照相机及IMU)、UAV之间互相不知道位置、UAV可独自运行VSLAM
行文结构:
背景→单机VSLAM(主要介绍单机处理模型、UAV观察模型、非线性滤波器)→协同DC-VSLAM→仿真实验
通信模型:
多agent通信,两两匹配后互传信息
理论结构:
如左图,每个UAV执行单机VSLAM并保存pose和map信息,当两UAV提取到相同特征时进行融合。
核心问题:如何确定两个UAV进行融合?
解决方法:根据每个UAV的特征(平均值、标准偏差)将每个UAV抽象成为椭圆。若椭圆有交集认定其存在相同特征,进行数据交互。右图中Coop为1认为存在交互,互相传递Feature Pos and Cov。
形成global map前一个CI(Covariance Intersection)过程,可以作用于特征,便于特征提取。介绍几种CI算法([15][16][17][18][19]都存在缺点),基于FCI提出了本文的ACI(相较于FCI,ACI可以适应动态场景——UAV)
分布式和中心化比较:
1)抽象(中心化缺点):(1)一个错,全局错 (2)UAV要依赖于地面基站,移动范围有限(受通信和时延限制)
2)具体(对照CC-VSLAM):在有回环检测情况下精度基本一致,但分布式的实时性、动态性都更好
DC-VSLAM实现算法:
仿真实验:
红UAV实现了回环,绿UAV没有。通过shared region优化路径,比起INS更贴合与实际
局限性分析:
1.本文实现了分布式的结构,但UAV之间要实现两两一组判断是否有特征交集,组成完全图。不适用于数量过多的无人机(可能时延会超过中心化)
2.本文的global map依赖于UAV之间产生接触,如果没有接触UAV所保持的都不是全局图。
同一研究机构有两篇相关之作:
1.Robust Cooperative UAV Visual SLAM(2011)
2.Experimental Research on Cooperative vSLAM for UAVs(2013)
第一篇是在本文的单机VLSAM的基础上再次实现C-VSLAM。不过使用的是中心化方法。详细内容可见另一篇《论文笔记》Robust Cooperative UAV Visual SLAM
第二篇没有使用NH∞去实现单机VSLAM而是使用EIF(extended information filter)+CI(covariance intersection)的方式实现C-VSLAM,也是分布式结构。详细内容可见另一篇《论文笔记》Experimental Research on Cooperative vSLAM for UAVs
因作者水平有限,如有错误之处,请在下方评论区指出,谢谢!