SlideSLAM: Sparse, Lightweight, Decentralized Metric-Semantic SLAM for Multi-Robot Navigation

本文提出了一种实时的分散式度量-语义同时定位与地图构建（SLAM）方法，利用稀疏且轻量级的基于对象的表示，使异构机器人团队能够在室内、城市和森林等3D环境中自主探索，而无需依赖GPS。我们使用分层的度量-语义环境表示，包括高级稀疏的对象模型语义地图和低级体素地图。我们利用高级语义地图的信息量和视点不变性，为具有不同感知模式的空中和地面机器人之间的环路闭合检测提供了一种有效的基于语义的地点识别算法。设计了一个通信模块来跟踪每个机器人的观测和通信范围内其他机器人的观测。这些观测结果然后用于构建合并地图。我们的框架使机器人能够在机载实时分散操作中，利用通信机会。我们将我们提出的框架集成和部署在三种类型的空中和地面机器人上。广泛的实验结果显示，位置误差平均为0.22米，方向误差平均为-0.16度，对象映射F1分数为0.92，通信数据包大小仅为每千米轨迹1,000个地标的2-3兆字节。项目网站可在https://xurobotics.github.io/slideslam/找到。

本论文旨在开发一种实时的分散度量-语义同时定位和映射（SLAM）方法，利用稀疏且轻量级的基于对象的表示，使异构机器人团队能够在室内、城市和森林地区自主探索3D环境，而无需依赖GPS。

论文采用了一种分层的度量-语义环境表示，包括高层次的稀疏语义地图和低层次的体素地图。利用高层次语义地图的信息量和视角不变性，实现了一种有效的基于语义的地点识别算法，用于跨不同感知模式的空中和地面机器人的交叉环路检测。

论文的亮点包括：在机器人上实现了实时分散操作，允许机器人机会主义地利用通信；将所提出的框架集成和部署在三种类型的空中和地面机器人上，实现了平均定位误差为0.22米，定向误差为-0.16度，对象映射F1分数为0.92，通信数据包大小仅为每千米轨迹1,000个地标的2-3兆字节。

最近在这个领域中，还有一些相关的研究，例如“Lifelong Mapping with Vision and Touch”和“Distributed Cooperative SLAM with Privacy Preservation”等。