【论文】DCL-SLAM: A Distributed Collaborative LiDAR SLAM Framework for a Robotic Swarm

Abstract

DCL-SLAM三个部分组成1）单机器人的前端2）分布式的回环模块，检测多机器人间的重合位置3）分布式的后端位姿优化模块，丢弃虚假的回环测量

主要贡献：更高的准确率和更加低的带宽

Introduction

分析了其他的系统的不足，很多系统都不支持大规模的多机器人集群。
DCL-SLAM专注于机器人间数据的有效性和弹性，通过部分的位姿测量和间接数据关联实现一致的轨迹测量。
描述子方面使用的是轻量化的LiDAR-Iris。
**设计了三步走的数据有效性的分布式回环检测方法。去除冗余的机器人间的回环检测，**增强了鲁棒性。所有的观测值都是使用DGS方法来实现优化，这个方法需要机器人间交换的信息最少。
最后在KITTI数据集和自己的数据集中进行实现，同时也做了网络的稳定性实验。

DCL-SLAM 的主要贡献：
1）完全分布式的多机器人激光SLAM，支持任何传感器，场景和平台
2）高集成度的数据有效性的机器人间回环检测方法。
3）做了很多的实验。

Relative Work

（只写我觉得有用的）对于多机器人，之间的交流直接传描述子可以更加节省带宽。

outliter方法：RANSAC 和 PCM
可以看下Door-SLAM，他使用了PCM方法来去除outliter

The DCL-SLAM FRAMEWORK

整个机器人系统一共有三个部分，单机器人的前端，分布式的回环检测和分布式的后端。每个机器人之间的交流包括描述子（LiDAR-Iris），是为了用来检测机器人间的回环检测的。在回环检测是使用原始点云或者是特征点云通过ICP和RANSAC来获得机器人间的回环检测的。

A. Single-robot Front-end

为了提高单机器人前端的准确度，机器人内部也会进行回环检测。内部的回环检测得到出来的factor，也会加入到位姿图优化当中去。

B. Distributed Loop Closure

分布式的回环检测一共分为三步：关键帧选取，提取描述子，搜索和验证。

关键帧选取：机器人位移和旋转一段距离，超过阈值之后会提取一帧作为关键帧。
回环检测：1）共享各帧的描述子 2）搜索Search 3）验证Verification

Description

使用（LiDAR-Iris）描述子，也是和ORB那样的一个二进制数，一共8位。机器人b发送描述子给机器人a，在a中匹配

Search

通过hamming距离匹配，小于阈值的就是配对的特征点。将匹配的结果从机器人a发送回给机器人b。

Verification

剔出不合法的配对点。使用RANSAC和ICP来进行估算位姿和剔出不合法的配对点。机器人b将相对位姿和机器人间的回环factor发送给机器人a。

C. Distributed Back-end

分布式后端包括两个模块：1）去除机器人间回环的冗余 2）进行位姿图优化，优化全局的机器人集群位姿。

分布式后端的协同定位算法：

Outlier Rejection.

利用PCM算法来检测回环匹配对的一致性。
z_{ai}{aj}是回环检测的匹配对，i时刻到j时刻的位姿变换。

Pose Graph Optimization

利用最大似然估计来实现。其中z_{ai}{bj}是机器人a在i时刻和机器人b在j时刻之间的匹配位姿。
具体实现论文没有详细说，是借鉴了另外一篇论文的DGS方法。
《“Distributed trajectory estimation with privacy and commu-
nication constraints: a two-stage distributed gauss-seidel approach,》