迈向去中心化异构多机器人SLAM与目标跟踪
Towards Decentralized Heterogeneous Multi-Robot SLAM and Target Tracking
AI总结：
针对异构多机器人难以在去中心化网络中协作的问题，提出基于因子图和条件独立的架构，仅融合重叠概率密度的相关部分，支持不同SLAM算法协同完成定位建图与多目标跟踪。
摘要：
在许多机器人问题中，多机器人之间的协作信息共享能够带来显著收益，例如探索、搜救、跟踪多个目标或绘制大型环境地图。在求解协作式多机器人问题时，一个关键的隐含假设是所有机器人都使用相同的（同构）底层算法。然而，在实际场景中，我们希望允许具备不同能力的机器人之间进行协作，因此它们必须依赖异构算法。我们提出了一种系统架构及支撑理论，以在去中心化机器人网络中实现协作，其中每个机器人依赖不同的估计算法。为发展该方法，我们聚焦于带多目标跟踪的多机器人同步定位与地图构建（SLAM）。我们的理论框架建立在如下思想之上：利用许多机器人应用中固有的条件独立结构，将每个机器人的局部推理（估计）任务分离开来，并且只融合它们彼此不等但重叠的概率密度函数（pdfs）中的相关部分。我们提出了一种新的基于图的去中心化方法，用于求解多机器人SLAM与跟踪问题。我们利用因子图拆分问题的不同部分，以便在网络中的机器人之间高效共享数据，同时使机器人能够使用不同的局部稀疏路标/稠密/度量-语义SLAM算法。
英文摘要：
In many robotics problems, there is a significant gain in collaborative information sharing between multiple robots, for exploration, search and rescue, tracking multiple targets, or mapping large environments. One of the key implicit assumptions when solving cooperative multi-robot problems is that all robots use the same (homogeneous) underlying algorithm. However, in practice, we want to allow collaboration between robots possessing different capabilities and that therefore must rely on heterogeneous algorithms. We present a system architecture and the supporting theory, to enable collaboration in a decentralized network of robots, where each robot relies on different estimation algorithms. To develop our approach, we focus on multi-robot simultaneous localization and mapping (SLAM) with multi-target tracking. Our theoretical framework builds on our idea of exploiting the conditional independence structure inherent to many robotics applications to separate between each robot's local inference (estimation) tasks and fuse only relevant parts of their non-equal, but overlapping probability density function (pdfs). We present a new decentralized graph-based approach to the multi-robot SLAM and tracking problem. We leverage factor graphs to split between different parts of the problem for efficient data sharing between robots in the network while enabling robots to use different local sparse landmark/dense/metric-semantic SLAM algorithms.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
