摘要：低计算量和存储量的优势使得类脑导航模型RatSLAM适用于大型环境的地图构建。为了进一步提高其建图效率,本文提出了一种多机器人协同RatSLAM系统。首先,设计使用了集中式的通信系统用于机器人间信息的交互。其次,提出了一种环境重叠区域检测方法以实现机器人之间的数据关联,从而进行经验节点间相对位姿计算。最后,提出一种改进型图松弛算法,利用机器人之间的位姿关系进行多机器人地图融合,完成全局统一的经验认知地图的实时在线构建。在公开数据集上以及真实物理实验环境中验证了所提方法的有效性。实验结果表明,相比单机器人,多机器人在保持较高地图精度与较少存储量的同时,平均建图效率提升45%。进一步与当前其他地图融合方法进行了比较,本文方法取得了更好的建图结果,验证了所提方法的有效性和准确性。

摘要：为解决多机器人协同定位与建图在复杂、大规模场景下耗时久、工作效率低等问题,提出一种融合算法PO-ORB。在因子图模型中引入锚点,用于存储世界坐标系相对位置,将改进后的因子图算法与ORB-SLAM3算法融合,用于帧间优化,结合两种算法的优点,解决大规模问题下多机器人定位精度低和实时性差的问题。通过DBoW2数据库和筛选策略进行地图融合,对全局地图进行优化,提高地图精度。实验结果表明,所提算法能够有效应用于多机器人协同定位与建图。

摘要：针对单机器人同时定位与地图构建(Simultaneous Localization And Mapping,SLAM)算法构图效率低的问题,设计了基于ORB-SLAM3的多机器人协作SLAM的实时融合方案。首先,向两个SLAM进程输入相同的关键帧并以此帧所在位姿为世界坐标系完成初始化,然后各机器人以此坐标系为基础完成定位于建图,同时将地图汇总融合完成任务。此方案避开了传统地图融合问题中特征匹配与位姿估计的技术难点。在Gazebo仿真环境进行测试实验,验证了方案的有效性、实时性和鲁棒性。

摘要：针对传统同时定位与地图构建(SLAM)方法受计算能力、存储能力的限制无法在大范围场景下作业,无法建立大范围场景的全局一致性地图等问题,基于ORB-SLAM2系统框架建立了一种中心式的多无人系统协同视觉SLAM算法。设计了地图大小限制策略,以保证无人系统不受机载设备算力和存储能力的影响,基于字典机制和Sim3转换构建了地图融合优化算法,以完成全局地图构建与优化。最后进行了数据集测试,结果表明:所提出算法能够完成多无人系统协同SLAM,相对传统SLAM算法具有明显优势。

摘要：针对大规模的未知环境,对一种SA-PSO(Simulated Annealing-Particle Swarm Optimization)算法的多机器人构建地图方法进行研究。多机器人构建地图,即将多个机器人建立的局部地图融合成全局地图,可以更加高效地完成环境地图的绘制。利用粒子群优化(PSO)算法搜索局部地图之间的最优转换矩阵来进行地图配准;再根据局部地图重叠区域匹配的成功率设计自适应概率函数,即重新进行地图配准的概率;最后将配准后的局部地图融合成全局地图。该方法有效解决了PSO算法易陷入局部最优引起的地图融合失败问题,提高了地图融合的成功率。

摘要：多机器人系统的通信状况能够直接影响协作同时定位与地图创建(Cooperative simultaneous localization and mapping,CSLAM)算法的设计和实现.根据对多机器人通信状况所作出假设的侧重点不同,对多机器人CSLAM算法研究现状和进展进行综述.首先,简要介绍了基于完全连通通信条件的集中式CSLAM算法的特点和缺陷;其次,结合多机器人系统初始相对位姿关系未知的情况,从地图配准、数据关联和地图融合等三个方面,对基于通信范围或者带宽受限条件的分布式CSLAM算法的地图合并问题进行了分析和阐述;进而重点对考虑稀疏–动态通信状况的分布式CSLAM算法的最新研究成果进行了归纳总结.最后指出多机器人CSLAM研究领域今后的研究方向.

摘要：协同即时定位与地图构建(SLAM)建立在多无人机的联合感知能力之上,通过局部地图的交互融合构建一个增量式全局环境地图,以提高多无人机任务协同的准确性、实时性和鲁棒性.针对多无人系统协同定位与构图中数据高效共享与利用的难题,面向快速、准确、大范围多机协同SLAM需求,本文提出了一种基于集中式架构的多无人机局部地图数据高效共享和融合的SLAM方法——Data Sharing Oriented Multi-UAV Collaborative SLAM(DSM-SLAM).该方法创新性地提出了:(1)基于共享局部地图的两步重定位机制,实现了多机间全局地图的高效闭环检测;(2)基于层次聚类的地图融合选择机制,提高了地图融合的快速性和准确性,最终,在增强单无人机跟踪定位鲁棒性的同时,实现了高效地闭环检测,提升了多无人机视觉SLAM系统的数据协同处理能力.本文不仅基于ROS实现了DSM-SLAM的原型系统,而且采用公开数据集KITTI对该方法展开了一系列实验验证,结果表明,基于上述两种机制设计的DSM-SLAM方法,不仅能够快速高效地恢复单无人机跟踪定位,而且可以自适应选择数据融合的顺序,有效增强了全局地图构建的完整性和准确性.

摘要：提出于2015年的ORB-SLAM是当今同时定位与地图创建(SLAM)系统中做得非常完善、非常易用的系统之一,代表着主流的特征点SLAM的一个高峰。系统包含了SLAM所有的主要模块:特征匹配、跟踪、建图、重定位和闭环检测,同时有单目、双目、RGBD相机、鱼眼相机的接口,能够实时计算出相机的轨迹,并生成场景的稀疏三维重建结果。ORB-SLAM3于2020年发布,集成了共视图、词袋、ORB特征三个手段进一步使定位更加准确。本文侧重结合最新的ORB-SLAM3版本,从相机模型、多地图系统以及地图融合三个主要方面对其最新发展进行介绍。对每一个方面,阐述其每一个版本的关键设计及改进,为ORB-SLAM系统提供一个全面的概述。对相关系统的研究者来说,掌握了解其发展是非常友好的。最后,本文介绍ORB-SLAM最新研究进展并做出评价。

摘要：针对传统的室内多机器人SLAM算法存在探索任务分配灵活低,重叠度高,导致地图融合和建图精度不高的问题。设计一个基于PSO算法的多机器人协同建图与路径规划系统。首先,采用SLAM系统中的Gmapping算法作为基础算法,加入PSO算法将地图融合问题转化为最优求解问题,即找到两个地图重叠度最高的转换矩阵,实现地图融合和多机器人协同建图。结果表明,相同室内环境下,单机器人的平均探索时间为216 s,探索覆盖率为73..38%;而双机器人的平均探索时间仅为47 s,比单机器人的探索时间低了169 s;且双机器人的探索覆盖率为99.69%,比单机器人高出了26.31%。由此说明,双机器人的探索效率和探索覆盖率更高。对比于现有的EKF-CSLAM算法和基于因子图地图融合算法,本算法的建图精度高达99.75%。地图融合和建图精度明显更佳,进一步说明提出的融合算法可提升多机器人室内环境协同建图的效率和鲁棒性。

摘要：针对单目视觉SLAM在复杂场景下跟踪失败导致地图丢失的问题,提出了一种利用RTK信息辅助单目视觉的自动化地图构建与恢复方法。在视觉跟踪失败后,设计了一种自动化恢复地图构建方法,基于RTK信息的辅助,采用坐标变换算法处理丢失前的地图并将其融合到当前地图构建中,在提高建图效率的同时,最大程度地减少了地图信息的缺失。实验仿真结果表明,该方法可以解决系统无法继续跟踪建图的问题,与原始地图相比,其融合后构建的地图在保证全局一致性和完整性的基础上,可以保持米级的估计精度。