名字太長了，放不下~ 全名是：
Adaptive_decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_multiple_UAV

時間：2011

作者：

創新點：

??提出一種分布式架構，可用于基于視覺的UAV協作SLAM。同時提出一種特征提取方法(ACI)
??本文認為多機協同難點：通信資源有限

實現條件：

??多UAV(配置立體照相機及IMU)、UAV之間互相不知道位置、UAV可獨自運行VSLAM

行文結構：

??背景→單機VSLAM(主要介紹單機處理模型、UAV觀察模型、非線性濾波器)→協同DC-VSLAM→仿真實驗

通信模型：

??多agent通信，兩兩匹配后互傳信息

理論結構：

??如左圖，每個UAV執行單機VSLAM并保存pose和map信息，當兩UAV提取到相同特征時進行融合。
??核心問題：如何確定兩個UAV進行融合？
??解決方法：根據每個UAV的特征(平均值、標準偏差)將每個UAV抽象成為橢圓。若橢圓有交集認定其存在相同特征，進行數據交互。右圖中Coop為1認為存在交互，互相傳遞Feature Pos and Cov。
??形成global map前一個CI(Covariance Intersection)過程，可以作用于特征，便于特征提取。介紹幾種CI算法([15][16][17][18][19]都存在缺點)，基于FCI提出了本文的ACI(相較于FCI，ACI可以適應動態場景——UAV)

分布式和中心化比較：

??1）抽象(中心化缺點)：（1）一個錯，全局錯 （2）UAV要依賴于地面基站，移動范圍有限(受通信和時延限制)
??2）具體(對照CC-VSLAM)：在有回環檢測情況下精度基本一致，但分布式的實時性、動態性都更好

DC-VSLAM實現算法：

仿真實驗：

??紅UAV實現了回環，綠UAV沒有。通過shared region優化路徑，比起INS更貼合與實際

局限性分析：

??1.本文實現了分布式的結構，但UAV之間要實現兩兩一組判斷是否有特征交集，組成完全圖。不適用于數量過多的無人機(可能時延會超過中心化)
??2.本文的global map依賴于UAV之間產生接觸，如果沒有接觸UAV所保持的都不是全局圖。

同一研究機構有兩篇相關之作：
1.Robust Cooperative UAV Visual SLAM(2011)
2.Experimental Research on Cooperative vSLAM for UAVs(2013)

第一篇是在本文的單機VLSAM的基礎上再次實現C-VSLAM。不過使用的是中心化方法。詳細內容可見另一篇《論文筆記》Robust Cooperative UAV Visual SLAM
第二篇沒有使用NH∞去實現單機VSLAM而是使用EIF(extended information filter)+CI(covariance intersection)的方式實現C-VSLAM，也是分布式結構。詳細內容可見另一篇《論文筆記》Experimental Research on Cooperative vSLAM for UAVs

因作者水平有限，如有錯誤之處，請在下方評論區指出，謝謝！

總結

以上是生活随笔為你收集整理的《论文笔记》Adaptive decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_mult的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。