时间:2011
作者:
创新点:
将单机VSLAM扩展到了多机C-VSLAM(中心化方式)。单机VSLAM的实现基础是基于NH∞滤波器(具体见参考文献[18][19])。本文重点在VSLAM和C-VSLAM的理论实现过程。
注:使用NH∞滤波(nonlinear H∞),而不使用EKF滤波(extended Kalman filter)原因是:EKF对于异常值和下界较为敏感,会导致不连续的估计值
初始条件:
多UAV(携带IMU+stereo camera)+地面基站中心(ground station)
行文结构:
背景→基于NH∞的VSLAM介绍→基于NH∞的C-VSLAM介绍→实验
通信结构:
UAV→ground station
UAV→ground station→UAV
基于NH∞的VSLAM介绍:
重点在VSLAM和C-VSLAM的理论实现过程。在基于NH∞的VSLAM介绍中分为3个model(process model,observation model,estimation model),3个model完成的功能是根据各类传感器采集到的参数完成当前时刻的状态估计,原文表述为state(多是数学化表示,对于各个参数含义进行了详细介绍)。
基于NH∞VSLAM的C-VSLAM介绍:
首先进行状态的初始化,在观测过程中利用观测到的特征进行global map的优化。回环检测分两类:1)单UAV实现回环 2)多UAV实现回环。还有一类第一次观测到新特征。对于状态的更新方式与VSLAM完全相同(文中有等式描述)。具体算法如下:
原理图如下:
实验:
实验进行了在X,Y,Z轴上进行了三类比较(INS,VSLAM,C-VSLAM)。考察标准是误差大小及误差随时间的变化情况。实验结论就是C-VSLAM优于VSLAM优于INS。
注:INS(Inertial Nevigation System)和VSLAM有什么关系?
INS可以在没有GPS信号的情况下完成状态估计,INS再加上stereo camera(立体摄像机)就可以形成VSLAM。
局限性:
本文重点在数学层面上介绍了C-VSLAM的实现,没有抽象出一个系统结构。而且从本文的实验上看,只是做了UAV位置上的精度比较。在SLAM中只完成了定位工作,没有明显的mapping
继本文之后,相同的研究机构有两篇后续之作:
1.Adaptive_decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_multiple_UAV(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。不过使用的是分布式方法,命名为DC-VSLAM。详细内容可见另一篇《论文笔记》Adaptive decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_mult
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