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) を使用すると、ロボット チームは環境の共通マップに依存して調整されたタスクを達成できます。
ロボット観察の集中処理によるマップの構築は、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量の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。
この論文では、マルチロボット オブジェクト SLAM を、さまざまなロボットによって維持されるオブジェクト推定値に対するコンセンサス制約を条件とする通信グラフ上の変分推論問題として定式化します。
この問題を解決するために、通信ロボット間のコンセンサスを強制する正則化を備えた分散ミラー降下アルゴリズムを開発しました。
アルゴリズムに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) も導出します。
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。

要約(オリジナル)

Multi-robot simultaneous localization and mapping (SLAM) enables a robot team to achieve coordinated tasks by relying on a common map of the environment. Constructing a map by centralized processing of the robot observations is undesirable because it creates a single point of failure and requires pre-existing infrastructure and significant communication throughput. This paper formulates multi-robot object SLAM as a variational inference problem over a communication graph subject to consensus constraints on the object estimates maintained by different robots. To solve the problem, we develop a distributed mirror descent algorithm with regularization enforcing consensus among the communicating robots. Using Gaussian distributions in the algorithm, we also 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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google