DRACo-SLAM2：面向配备成像声呐的水下机器人团队的、基于对象图匹配的分布式鲁棒声学低通信量SLAM
DRACo-SLAM2: Distributed Robust Acoustic Communication-efficient SLAM for Imaging Sonar EquippedUnderwater Robot Teams with Object Graph Matching
AI总结：
本研究提出面向配备多波束成像声呐的水下机器人团队的分布式SLAM框架DRACo-SLAM2，通过对象图表示与匹配实现高效无先验的机器人间回环检测，还提出增量GCM改进PCM以适配水下场景，经多数据集对比验证有效。
摘要：
我们提出DRACo-SLAM2，这是一款面向配备多波束成像声呐的水下机器人团队的分布式SLAM（同步定位与地图构建）框架。该框架在原有DRACo-SLAM的基础上进行改进，引入了将声呐地图表示为对象图的全新方式，利用对象图匹配实现无需依赖先验几何信息的、耗时更短的机器人间回环检测。为更好地适配水下扫描匹配的需求与特点，我们提出增量式分组一致测量集最大化（GCM），它是成对一致测量集最大化（PCM）的改进版本，可有效应对邻近的机器人间回环存在相似配准误差的场景。我们在模拟数据集与真实世界数据集上开展了大量对比分析，验证了所提方法的有效性。
英文摘要：
We present DRACo-SLAM2, a distributed SLAM framework for underwater robot teams equipped with multibeam imaging sonar. This framework improves upon the original DRACo-SLAM by introducing a novel representation of sonar maps as object graphs and utilizing object graph matching to achieve time-efficient inter-robot loop closure detection without relying on prior geometric information. To better-accommodate the needs and characteristics of underwater scan matching, we propose incremental Group-wise Consistent Measurement Set Maximization (GCM), a modification of Pairwise Consistent Measurement Set Maximization (PCM), which effectively handles scenarios where nearby inter-robot loop closures share similar registration errors. The proposed approach is validated through extensive comparative analyses on simulated and real-world datasets.
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。
