時間：2011

作者：

創新點：

??將單機VSLAM擴展到了多機C-VSLAM(中心化方式)。單機VSLAM的實現基礎是基于NH∞濾波器(具體見參考文獻[18][19])。本文重點在VSLAM和C-VSLAM的理論實現過程。
??注：使用NH∞濾波(nonlinear H∞)，而不使用EKF濾波(extended Kalman filter)原因是：EKF對于異常值和下界較為敏感，會導致不連續的估計值

初始條件：

??多UAV(攜帶IMU+stereo camera)+地面基站中心(ground station)

行文結構：

??背景→基于NH∞的VSLAM介紹→基于NH∞的C-VSLAM介紹→實驗

通信結構：

??UAV→ground station
??UAV→ground station→UAV

??基于NH∞的VSLAM介紹：
??重點在VSLAM和C-VSLAM的理論實現過程。在基于NH∞的VSLAM介紹中分為3個model(process model，observation model，estimation model)，3個model完成的功能是根據各類傳感器采集到的參數完成當前時刻的狀態估計，原文表述為state（多是數學化表示，對于各個參數含義進行了詳細介紹）。

??基于NH∞VSLAM的C-VSLAM介紹：
??首先進行狀態的初始化，在觀測過程中利用觀測到的特征進行global map的優化。回環檢測分兩類：1）單UAV實現回環 2）多UAV實現回環。還有一類第一次觀測到新特征。對于狀態的更新方式與VSLAM完全相同(文中有等式描述)。具體算法如下：

??原理圖如下：

實驗：

??實驗進行了在X,Y,Z軸上進行了三類比較(INS，VSLAM，C-VSLAM)。考察標準是誤差大小及誤差隨時間的變化情況。實驗結論就是C-VSLAM優于VSLAM優于INS。

??注：INS(Inertial Nevigation System)和VSLAM有什么關系？
??INS可以在沒有GPS信號的情況下完成狀態估計，INS再加上stereo camera(立體攝像機)就可以形成VSLAM。

局限性：

??本文重點在數學層面上介紹了C-VSLAM的實現，沒有抽象出一個系統結構。而且從本文的實驗上看，只是做了UAV位置上的精度比較。在SLAM中只完成了定位工作，沒有明顯的mapping

繼本文之后，相同的研究機構有兩篇后續之作：
1.Adaptive_decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_multiple_UAV(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。不過使用的是分布式方法，命名為DC-VSLAM。詳細內容可見另一篇《論文筆記》Adaptive decentralised_cooperative_vision_based_simultaneous_localization_and_mapping_for_mult
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

總結

以上是生活随笔為你收集整理的《论文笔记》Robust Cooperative UAV Visual SLAM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。