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

本文提出了一种实时分散式度量-语义同时定位与地图构建（SLAM）方法，利用了一种稀疏轻量级的基于物体的表示方法，使得异构机器人团队能够在不依赖GPS的情况下自主探索室内、城市和森林等三维环境。我们使用了一种分层的度量-语义环境表示方法，包括高层次的稀疏语义物体模型地图和低层次的体素地图。我们利用高层次语义地图的信息量和视角不变性，为不同感知模态的空中和地面机器人之间的环路闭合检测提供了有效的基于语义的地点识别算法。当通信链路可用时，我们设计了一个通信模块来跟踪每个机器人自己的观测和其他机器人的观测。这些观测结果随后用于构建合并地图。我们的框架使机器人能够在机载上实时进行分散式操作，使它们能够机会主义地利用通信。我们将我们提出的框架集成并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，位置的平均机器人间定位误差约为20厘米，方向的平均机器人间定位误差约为0.2度，物体映射F1分数一致超过0.9，通信数据包大小仅为每公里轨迹2-3兆字节，最多可达1,000个地标。该项目网站可在 https://xurobotics.github.io/slideslam/ 找到。

本论文旨在开发一种实时去中心化的度量-语义同时定位与建图（SLAM）方法，利用稀疏轻量级的基于对象的表示，使异构机器人团队能够自主探索3D环境，包括室内、城市和森林区域，而无需依赖GPS。

本论文的关键思路是利用环境的分层度量-语义表示，包括高层稀疏的物体模型语义地图和低层体素地图，利用高层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，用于异构机器人之间的环路闭合检测。

本论文的亮点包括：实时去中心化的操作，允许机器人在机载上机会性地利用通信；平均机器人间定位误差仅为20厘米和0.2度；物体映射F1得分始终在0.9以上；通信数据包大小仅为每公里轨迹2-3兆字节，最多有1,000个地标；在三种类型的空中和地面机器人上进行了集成和部署。

在这个领域中，最近的相关研究包括：《A Survey of Decentralized SLAM》、《Decentralized Multi-Robot Cooperative Localization and Mapping: A Comprehensive Survey》、《Distributed Cooperative SLAM with Privacy Preservation in Dynamic Environments》等。