Multi S-Graphs: an Efficient Real-time Distributed Semantic-Relational Collaborative SLAM

协同定位与建图（CSLAM）对于实现多个机器人在复杂环境下的操作至关重要。大多数CSLAM技术依赖于原始传感器测量或低级特征，如关键帧描述符，这可能会由于缺乏对环境的深入理解而导致错误的闭环。此外，这些测量和低级特征在机器人之间的交换需要传输大量数据，这限制了系统的可扩展性。为了克服这些限制，我们提出了Multi S-Graphs，这是一个分散的CSLAM系统，利用嵌入四层分层和可优化情境图中的高级语义关系信息进行协作地图生成和定位，同时最小化机器人之间交换的信息。为了支持这一点，我们提出了一种新颖的基于房间的描述符，它连同其连接的墙壁一起用于执行机器人间的闭环，解决了多机器人被绑架问题初始化的挑战。在模拟和真实环境中进行的多个实验验证了所提出方法的精度和鲁棒性的改进，同时减少了与其他最先进方法相比机器人之间交换的数据量。软件可在docker映像中使用：https://github.com/snt-arg/multi_s_graphs_docker。

该论文旨在解决多机器人在复杂环境中进行协同定位和地图构建的问题，同时减少机器人之间交换的信息量。

该论文提出了一种基于高层语义关系信息的多层次优化情境图的分布式CSLAM系统，使用基于房间的描述符进行机器人之间的循环闭合，解决了多机器人绑架问题初始化的挑战。

该论文的亮点包括提出了一种新的基于房间的描述符，使用四层分层和可优化的情境图进行协作地图生成和定位，同时减少机器人之间交换的信息量。实验在模拟和真实环境中验证了所提出方法的准确性和鲁棒性，并提供了可用的docker镜像。

最近的相关研究包括：1）'Distributed Cooperative SLAM with Privacy Preservation via Blockchain'；2）'Distributed SLAM with Privacy Preservation using the Federated Learning Framework'；3）'Distributed Multi-Robot SLAM with Topological Constraints'等。