時間：2013
作者：

工作方式：
??多agent(資源受限，但能自主完成VO)+中心化server(無限資源)
協(xié)同感知原理：
??server為每個agent創(chuàng)建一個local map，出現(xiàn)交集后融合
通信模型：
??agent→server(傳遞信息：關鍵幀提取的特征+上一關鍵幀的相對位姿估計)
??agent→server→agent

注：獲取當前位姿方法：上一時刻位姿(server已知)+相對位姿(agent傳送)

創(chuàng)新點：
??1.提出一種解決方案(CSFM, Collaborative Structure from Motion)來解決機載估計軌跡和地面站估計軌跡之間的尺度差異(CSFM本身有回環(huán)檢測和局部BA，VO沒有)
??2.對數(shù)據(jù)結構及處理過程進行設計，允許多線程并發(fā)讀寫map，來保證實時性(并行+異步)

系統(tǒng)模型：

??系統(tǒng)整體包含前端和后端，前端由MAV自身VO建圖，后端server為每個MAV創(chuàng)建一個Frame handler，對應保存其局部地圖。當檢測到重疊時，局部地圖融合。多agent對應同一map。后端具體流程圖如下：

后端更新過程：
??幀處理線程(每個agent都有)對frame進行處理(主要是判斷KF，特征提取，生成特征描述)，再將數(shù)據(jù)傳遞至重疊部分檢測線程。檢測到重疊時，若來自同一map，則執(zhí)行局部BA。來自不同map則進行map合并。此處針對多圖合并設計特殊數(shù)據(jù)結構和C++并發(fā)控制機制，允許多個幀處理線程安全訪問和更新，來保證實時性

部分實現(xiàn)細節(jié)：
??1.CSfM系統(tǒng)不保留關鍵幀的時間順序，也考慮舊關鍵幀。設置核心關鍵幀(一組四個)、外圍關鍵幀(所有關鍵幀，要求是與核心或者新關鍵幀至少共享一個公共MP)
??2.使用詞袋模型進行place recongnization，全局使用一個詞袋模型。這為跨地圖回環(huán)檢測提供基礎(跨地圖回環(huán)檢測后面就要進行地圖融合了)
??3.當位置識別模塊返回一個與當前關鍵幀相似的幀后，再進行幾何驗證(P3P算法)。幾何驗證只應用于不同map間發(fā)現(xiàn)重疊。驗證成功計算兩幀的轉換矩陣(集成了P3P的RANSAC)。
??4.對冗余信息的改進：每個重疊地圖區(qū)域中的所有地圖點將重新投影到其他地圖的關鍵幀中，并合并響應的地圖點。地圖融合的時候，用RANSAC+P3P，計算轉換矩陣，把回環(huán)幀投影到當前幀上，如果點重合，則消除點，減少冗余信息
重要細節(jié)：將比例因子s應用于在變換貼圖上操作的所有幀處理程序的比例差因子，這對于確保從BO接收到的相對位置估計值相對于地圖正確縮放是必要的。
??5.改進優(yōu)化完成貼圖和關鍵幀，
??循環(huán)結束后，優(yōu)化完成貼圖和關鍵幀的標準解決方案是運行全局BA。但具有兩點缺點：
????1.計算要求很高
????2.可能收斂到局部極小值而完全失敗。
??本文改進(兩步走)：
????1.將地圖點邊緣化，使貼圖表示減少為姿勢圖(全局位姿圖優(yōu)化)。
????2.在姿勢圖優(yōu)化后，更新貼圖點并進行全局BA優(yōu)化地圖點和關鍵幀姿勢(兩步未理解)
??6.并發(fā)數(shù)據(jù)的訪問設計實現(xiàn)
??原理：互斥鎖
??建立KF-list(保存所有關鍵幀)，每個KF保留觀測到的MP(維護MP列表)，每個MP也保留其組成的KF。一個線程擁有關鍵幀的鎖，它可以去讀整個關鍵幀觀測到的所有MP。對KF修改前需要獲取該KF的鎖，對MP修改前需要獲取所有可觀測到該MP的KFs的鎖。也就是說，鎖只加在KF上，而不加在MP上，因為MP遠多于KF，對MP加鎖會大大加重性能負擔

參考資料：
協(xié)作SLAM論文賞析 - 簡書 (jianshu.com)

因作者水平有限，如有不足之處，請在下方評論區(qū)指正，謝謝！

總結

以上是生活随笔為你收集整理的《论文笔记》Collaborative Monocular SLAM with Multiple Micro Aerial Vehicles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(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。