点击下方
卡片
，关注
「3DCV」
公众号
选择
星标
，干货第一时间送达
来源：3DCV
添加小助理：cv3d008，备注：方向+学校/公司+昵称，拉你入群。文末附3D视觉行业细分群。
扫描下方二维码，加入「
3D视觉从入门到精通
」知识星球
，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：
近20门独家秘制视频课程
、
最新顶会论文
、计算机视觉书籍
、
优质3D视觉算法源码
等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！
0. 论文信息
标题：Efficient Submap-based Autonomous MAV Exploration using Visual-Inertial SLAM Configurable for LiDARs or Depth Cameras
作者：Sotiris Papatheodorou, Simon Boche, Sebastián Barbas Laina, Stefan Leutenegger
机构：Technical University of Munich、Imperial College London、Munich Institute of Robotics and Machine Intelligence、Munich Center for Machine Learning
原文链接：https://arxiv.org/abs/2409.16972
1. 摘要
未知空间的自主探索是移动机器人在现实世界中部署的重要组成部分。安全导航对所有机器人应用都至关重要，需要机器人周围环境的精确和一致的地图。为了实现完全自主并允许在各种各样的环境中部署，机器人必须依赖于随时间推移容易漂移的机载状态估计。我们提出了一个基于局部子地图的微型飞行器(MAV)探索框架，通过对相对子地图姿态应用闭环校正来保持全局一致性。为了实现大规模勘探，我们从局部子地图边界有效地计算全球、全环境边界，并使用基于采样的次最佳视图勘探规划器。我们的方法无缝支持使用激光雷达传感器或深度相机，使其适用于不同类型的MAV平台。我们在一个基于子地图的探索框架上进行模拟对比评估，以展示我们方法的效率和重建质量。最后，我们展示了我们的方法对真实世界的微型飞行器的适用性，一个配备了激光雷达，另一个配备了深度相机。
2. 引言
未知环境的自主探索一直是移动机器人领域的一个研究热点，并且仍然面临挑战。对于潜在的现实世界机器人应用，如工业或建筑工地检查，这一能力至关重要。微型飞行器（Micro Aerial Vehicles, MAVs）因其多功能性、敏捷性和能够到达人类或地面机器人无法触及的区域的能力，而成为受欢迎的平台选择。探索的目标通常被设定为尽可能快地发现并绘制环境地图。理想情况下，为了实现完全自主，机器人应仅基于传感器输入，在线逐步构建其环境的准确且完整的地图，该地图包含在其中导航和定位所需的所有信息。目前最先进的方法通常将这一问题表述为识别能最大化某种效用的下一个最佳姿态，并找到一条到达目标姿态的无碰撞路径。
融合互补传感器的即时定位与地图构建（Simultaneous Localization and Mapping, SLAM）方法广泛用于机载姿态估计。视觉惯性SLAM（Visual-Inertial SLAM, VI-SLAM）结合了视觉和惯性测量，提供高短期精度，但存在漂移累积的问题。最近，随着低价激光雷达（Light Detection and Ranging, LiDAR）传感器的普及，LiDAR-视觉-惯性SLAM（LiDAR-Visual-Inertial SLAM, LVI-SLAM）在减少漂移方面成为广泛研究的课题。
在大型场景中，不可避免的漂移会导致地图精度显著下降。一种潜在的缓解方法是使用局部子地图，基于在小区域内漂移可忽略不计的假设。为了保持全局一致性，可以在闭环检测后更新单独刚性子地图之间的相对姿态，或者将其纳入状态估计问题中。在使用子地图时，跟踪前沿（即已观察空间和未观察空间之间的边界）变得具有挑战性，因为可能涉及大量子地图。
3. 效果展示
利用激光雷达（左）和深度相机（右）进行的真实世界实验中，MAV轨迹以及分辨率为10厘米的实时重建网格。
4. 主要贡献
最近的研究工作提出了分层探索方法，区分局部和全局探索规划。在我们的工作中，我们证明对于快速高效的探索，分层方法并非必需。我们提出以下贡献：
• 利用SLAM和子地图技术，通过闭环检测来补偿里程计漂移的快速且轻量级的3D探索框架。
• 一种高效的全局前沿更新方法，无需区分局部和全局规划，即可实现准确且完整的大规模探索。
• 所提出的系统无缝支持配备LiDAR或深度相机传感器的MAVs，即插即用。
• 在模拟和真实世界中的定量和定性评估，与最先进的方法相比，显示出更快的探索速度、更低的资源使用以及更一致和完整的重建。
5. 方法
我们的系统融合了视觉惯性同步定位与地图构建（VI-SLAM）、稠密三维占据网格地图构建、探索规划以及微型飞行器（MAV）模型预测控制器（MPC）。为了应对VI-SLAM累积的漂移问题，并实现局部一致且精确的地图，我们采用了空间受限的子地图。利用SLAM估计的姿态，将激光雷达测量数据或深度图像整合到当前活动的子地图中。子地图构建完成后，将其及其局部边界保存到子地图集合中。全局边界仅按需更新，通过子地图-局部边界来实现。这允许使用单一的全局探索规划器，从而无需像其他方法那样区分局部规划与全局规划。全局边界被用于一种基于采样的方法，从信息增益的角度确定下一个最佳路径，然后由MPC进行追踪。我们的方法无需GPU，因此可以在小型且资源受限的平台上部署。以下我们将描述各个系统模块，如图2所示。
图3显示了一个局部和全局边界的例子。
