Multi-Robot Object SLAM using Distributed Variational Inference

要約

マルチロボット同時位置特定およびマッピング (SLAM) により、ロボット チームは共通のマップに基づいて調整されたタスクを達成できます。
ただし、ロボット観察の集中処理は単一障害点を生み出し、既存のインフラストラクチャと大幅なマルチホップ通信スループットを必要とするため、望ましくありません。
本論文では、マルチロボットオブジェクトSLAMを通信グラフ上の変分推論問題として定式化する。
共通のマップ上での合意を確保するために、さまざまなノードによって維持されるオブジェクトにコンセンサス制約を課します。
この問題を解決するために、コンセンサスを強制する正則化項を備えた分散ミラー降下アルゴリズムを開発します。
アルゴリズムでガウス分布を使用して、マルチロボット オブジェクト SLAM 用の分散マルチステート制約カルマン フィルター (MSCKF) を導出します。
実際のデータとシミュレートされたデータを使った実験では、私たちの方法が個々のロボットの SLAM と比較して軌道とオブジェクトの推定を改善し、集中型のマルチロボット SLAM と比較して大規模なロボット チームへのより優れたスケーリングを達成することを示しています。
コードは https://github.com/intrepidChw/distributed_msckf で入手できます。

要約(オリジナル)

Multi-robot simultaneous localization and mapping (SLAM) enables a robot team to achieve coordinated tasks relying on a common map. However, centralized processing of robot observations is undesirable because it creates a single point of failure and requires pre-existing infrastructure and significant multi-hop communication throughput. This paper formulates multi-robot object SLAM as a variational inference problem over a communication graph. We impose a consensus constraint on the objects maintained by different nodes to ensure agreement on a common map. To solve the problem, we develop a distributed mirror descent algorithm with a regularization term enforcing consensus. Using Gaussian distributions in the algorithm, we derive a distributed multi-state constraint Kalman filter (MSCKF) for multi-robot object SLAM. Experiments on real and simulated data show that our method improves the trajectory and object estimates, compared to individual-robot SLAM, while achieving better scaling to large robot teams, compared to centralized multi-robot SLAM. Code is available at https://github.com/intrepidChw/distributed_msckf.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google