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

本文提出了一种实时的分布式度量-语义同时定位和建图（SLAM）方法，利用了一种稀疏且轻量级的基于对象的表示方法，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。我们使用了一种分层的度量-语义环境表示方法，包括高级稀疏的对象模型语义地图和低级的体素地图。我们利用高级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，用于跨越具有不同感知模式的空中和地面机器人之间的环路检测。我们设计了一个通信模块，用于跟踪每个机器人自己的观测和其他机器人的观测，每当通信链路可用时就使用这些观测来构建合并地图。我们的框架使机器人能够在机载实现实时分布式操作，从而能够机会主义地利用通信。我们集成并部署了我们提出的框架在三种类型的空中和地面机器人上。广泛的实验结果显示，机器人之间的平均定位误差约为20厘米，方向误差约为0.2度，对象映射F1得分始终超过0.9，通信数据包大小仅为每公里轨迹2-3兆字节，具有多达1,000个地标。项目网站可在https://xurobotics.github.io/slideslam/找到。

解决问题：该论文旨在开发一种实时分散式度量语义SLAM方法，利用稀疏轻量级基于对象的表示，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，而不依赖于GPS。

关键思路：该论文提出了一种分层度量语义表示环境的方法，包括高层次稀疏语义地图和低层次体素地图。利用高层次语义地图的信息性和视点不变性，提出了一种有效的基于语义的地点识别算法，用于跨空中和地面机器人之间的循环闭合检测。

其他亮点：该论文的实验结果表明，机器人的位置定位误差约为20厘米，方向角误差约为0.2度，对象映射F1分数始终保持在0.9以上，通信数据包大小仅为每千米轨迹2-3兆字节，具有1000个地标。该论文的代码已经开源。

相关研究：最近的相关研究包括《Object-Level SLAM: A Sparse and Semantic Map for 3D Object Reconstruction》和《A Survey of Decentralized SLAM》等。