《论文笔记》Adaptive decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for

名字太长了，放不下~ 全名是：
Adaptive_decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_multiple_UAV

时间：2011

作者：

创新点：

提出一种分布式架构，可用于基于视觉的UAV协作SLAM。同时提出一种特征提取方法(ACI)
本文认为多机协同难点：通信资源有限

实现条件：

多UAV(配置立体照相机及IMU)、UAV之间互相不知道位置、UAV可独自运行VSLAM

行文结构：

背景→单机VSLAM(主要介绍单机处理模型、UAV观察模型、非线性滤波器)→协同DC-VSLAM→仿真实验

通信模型：

多agent通信，两两匹配后互传信息

理论结构：

如左图，每个UAV执行单机VSLAM并保存pose和map信息，当两UAV提取到相同特征时进行融合。
核心问题：如何确定两个UAV进行融合？
解决方法：根据每个UAV的特征(平均值、标准偏差)将每个UAV抽象成为椭圆。若椭圆有交集认定其存在相同特征，进行数据交互。右图中Coop为1认为存在交互，互相传递Feature Pos and Cov。
形成global map前一个CI(Covariance Intersection)过程，可以作用于特征，便于特征提取。介绍几种CI算法([15][16][17][18][19]都存在缺点)，基于FCI提出了本文的ACI(相较于FCI，ACI可以适应动态场景——UAV)

分布式和中心化比较：

1）抽象(中心化缺点)：（1）一个错，全局错（2）UAV要依赖于地面基站，移动范围有限(受通信和时延限制)
2）具体(对照CC-VSLAM)：在有回环检测情况下精度基本一致，但分布式的实时性、动态性都更好

DC-VSLAM实现算法：

仿真实验：

红UAV实现了回环，绿UAV没有。通过shared region优化路径，比起INS更贴合与实际

局限性分析：

1.本文实现了分布式的结构，但UAV之间要实现两两一组判断是否有特征交集，组成完全图。不适用于数量过多的无人机(可能时延会超过中心化)
2.本文的global map依赖于UAV之间产生接触，如果没有接触UAV所保持的都不是全局图。

同一研究机构有两篇相关之作：
1.Robust Cooperative UAV Visual SLAM(2011)
2.Experimental Research on Cooperative vSLAM for UAVs(2013)

第一篇是在本文的单机VLSAM的基础上再次实现C-VSLAM。不过使用的是中心化方法。详细内容可见另一篇《论文笔记》Robust Cooperative UAV Visual SLAM
第二篇没有使用NH∞去实现单机VSLAM而是使用EIF(extended information filter)+CI(covariance intersection)的方式实现C-VSLAM，也是分布式结构。详细内容可见另一篇《论文笔记》Experimental Research on Cooperative vSLAM for UAVs

因作者水平有限，如有错误之处，请在下方评论区指出，谢谢！