基于子模优化的协作图探索：降低姿态-SLAM不确定性
机器人学
2024-07-02 v1
摘要
本文考虑了GPS被剥夺环境中机器人群体协作图探索的问题，要求它们在保持可靠姿态估计的同时完成协作式同时定位与制图(SLAM)。在考虑两项目标的情况下，多机器人路径规划面临挑战，因为这涉及到对SLAM不确定性进行高成本的协方差推断，尤其要考虑各种机器人路径的组合情况。为降低计算复杂度，我们提出了一种高效的两阶段策略：首先为快速覆盖生成探索路径，然后通过添加沿路径的具有信息性和距离高效的环路闭合动作(称为环边)来增强其中的环路，实现可靠的姿态估计。我们将后者问题形式化为通过将SLAM不确定性与姿态图拓扑关系联合起来，构建为非单调子模最大化问题。这(1)比协方差推断更高效地评估SLAM不确定性，(2)允许将子模优化中的近似算法应用于提供最优性保证。我们进一步引入了排序启发式方法，以在保持最优界限的同时提高目标值。随机生成的图环境上的仿真实验验证了我们方法在快速覆盖和增强姿态图可靠性方面的效率，基准测试了近似算法和贪心算法在环边选择问题中的性能。我们的实现将在https://github.com/bairuofei/CGE上开源。
引用
@article{arxiv.2407.01013,
title = {Collaborative Graph Exploration with Reduced Pose-SLAM Uncertainty via Submodular Optimization},
author = {Ruofei Bai and Shenghai Yuan and Hongliang Guo and Pengyu Yin and Wei-Yun Yau and Lihua Xie},
journal= {arXiv preprint arXiv:2407.01013},
year = {2024}
}
备注
9 pages, 13 figures, accepted by IEEE/RSJ IROS(2024)