CMU最新 | iMESA 算法：将多机器人协作建图的通信成本降低50%，运行时间缩短10倍

点击下方 卡片 ，关注 「计算机视觉工坊」 公众号
选择 星标 ，干货第一时间送达

编辑：计算机视觉工坊

添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附行业细分群

扫描下方二维码，加入 3D视觉知识星球 ，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门视频课程（星球成员免费学习） 、 最新顶会论文 、 3DGS系列 、 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！

今天给大家分享一篇新工作：一种名为iMESA的新型增量分布式协同定位与建图(C-SLAM)后端算法。如果您有相关工作需要分享，欢迎文末联系我们！

读者个人理解

本文提出了一种名为 iMESA 的新型增量分布式协同定位与建图 (C-SLAM) 后端算法。该算法能够在机器人之间仅进行稀疏的成对通信的情况下，为多机器人团队提供实时的准确状态估计。iMESA基于先前的工作MESA，并将其增量扩展以适应现实世界多机器人团队的需求。在真实和合成数据上的大量评估表明，iMESA 能够优于现有的 C-SLAM 后端算法。

论文信息

标题 ：iMESA: Incremental Distributed Optimization for Collaborative Simultaneous Localization and Mapping
代码 ：https://github.com/rpl-cmu/imesa

iMESA 算法的几个关键点

• 增量分布式优化 : iMESA 能够在机器人之间进行稀疏通信的情况下，通过增量更新和优化算法来估计机器人的状态，从而实现实时性。
• 基于图的结构 : iMESA 使用因子图来表示 C-SLAM 问题，并通过约束优化和分离 ADMM (ADMM) 来解决该问题。
• 有偏先验 : iMESA 使用“有偏先验”来约束机器人之间共享变量的估计值，确保团队的一致性。
• 通信效率 : iMESA 通过边缘变量和拉格朗日乘子来降低通信成本，并使用分阶段通信来更新共享变量的估计值。
• 实时性能 : iMESA 能够在每次迭代中快速收敛，并提供接近集中式解决方案的准确结果。

方法

iMESA 是一种针对 增量分布式协同定位与建图 (C-SLAM )问题的算法，旨在解决多机器人团队在现实世界部署中面临的挑战。它能够在机器人之间只有稀疏的成对通信的情况下，为团队提供实时且准确的状态估计。

核心思想 ：

• 增量优化 ：iMESA 利用增量优化技术，允许机器人根据新的测量值更新其局部状态估计，而不需要从头开始解决整个 C-SLAM 问题。
• 分离的 ADMM ：iMESA 基于 分离的交替方向乘子法 (C-ADMM )，允许机器人以分布式和异步的方式优化其局部状态估计。
• 边缘变量和双变量 ：iMESA 引入边缘变量和双变量来约束机器人之间共享变量的估计值，确保团队产生一致的状态估计。
• 高效的本地更新 ：iMESA 使用 iSAM2 算法进行高效的本地状态估计更新，该算法基于贝叶斯树进行增量优化。

算法步骤 ：

1. 更新 ：当机器人观察到新的因子时，它将更新其局部状态估计，并缓存与共享变量相关的偏差先验。
2. 通信 ：当机器人之间可以进行通信时，它们将共享其最新的状态估计，并更新边缘变量和双变量以约束共享变量的估计值。
3. 重新线性化 ：在通信后，机器人将重新线性化受影响的因子，以确保偏差先验的影响被正确地纳入局部状态估计。

实验

iMESA 在一系列实验中展现出了卓越的性能，优于现有的增量分布式 C-SLAM 后端算法。

主要实验结果 ：

• 不同问题公式 ：iMESA 在 2D 和 3D PGO 以及 2D C-SLAM（具有距离+方位和仅距离的机器人间测量）等不同问题公式上都取得了最佳性能。
• 团队规模 ：iMESA 能够扩展到大型机器人团队，并且其性能随着团队规模的增加而保持一致。
• 长期运行 ：iMESA 能够处理长期运行，即使是在轨迹长度很长的情况下，它也能保持高性能。
• 通信延迟 ：iMESA 能够容忍通信延迟，即使是在最大延迟增加的情况下，它也能保持一致的性能。
• 真实数据 ：在真实数据集上，iMESA 能够提供与集中式方法相当的高精度状态估计。

实验中使用的评估指标 ：

• 增量平均轨迹误差 (iATE )：用于评估机器人轨迹的平移和旋转精度。
• 迭代运行时间 ：用于评估算法的实时性能。

实验结果表明，iMESA 能够在各种 C-SLAM 问题场景中提供高质量的解决方案，并且具有实时性能、稀疏通信和高精度等优点。

与现有算法的比较 ：

• DDF-SAM2 和 DLGBP ：iMESA 在所有实验中都优于 DDF-SAM2 和 DLGBP，这两个算法是现有的增量分布式 C-SLAM 后端算法。
• 集中式和独立式方法 ：iMESA 的性能接近集中式方法，并且优于独立式方法，后者不进行机器人之间的协作。

疑问解答

问1 ：iMESA算法在处理非线性约束方面有何优势？它能否处理所有类型的非线性约束？

答： iMESA 算法在处理非线性约束方面具有以下优势：

• 基于 C-ADMM ：iMESA 基于 分离的交替方向乘子法 (C-ADMM )，该算法能够处理非线性优化问题。
• 边缘变量 ：iMESA 使用边缘变量来表示机器人之间共享变量的约束关系，从而将非线性约束转化为对边缘变量的线性约束。
• 特殊的处理方法 ：iMESA 对特殊欧几里得群上的变量（例如机器人位姿）进行特殊处理，确保非线性约束能够得到正确的处理。

然而，iMESA 并不能处理所有类型的非线性约束 。以下是 iMESA 处理非线性约束的一些限制：

• 约束函数 ：iMESA 需要使用特定的约束函数来表示机器人之间共享变量的约束关系。例如，MESA 论文中使用了几何约束，但也可以使用其他有效的约束函数。
• 非线性程度 ：iMESA 的性能可能会随着非线性程度的增加而下降。对于非常复杂的非线性约束，iMESA 可能需要更多的迭代才能收敛到解决方案。
• 收敛性 ：iMESA 没有理论上的收敛性保证，尤其是在存在非线性约束的情况下。这意味着 iMESA 可能无法保证收敛到全局最优解。

总而言之，iMESA 在处理非线性约束方面具有一定的优势，但它也存在一些限制。对于简单的非线性约束，iMESA 能够提供良好的性能。但对于复杂的非线性约束，iMESA 的性能可能会下降，并且无法保证收敛性。

问2 ：与DDF-SAM2和DLGBP相比，iMESA算法在处理循环闭合信息方面有何优势？

答： iMESA 算法在处理循环闭合信息方面相比 DDF-SAM2 和 DLGBP 具有以下优势：

• 维持一致的线性化点 ：iMESA 通过使用边缘变量和双重变量来约束共享变量，确保了所有机器人对于共享变量的线性化点是一致的。这有助于提高循环闭合信息被正确融合到地图中的可能性，从而提高地图的准确性。
• 高效更新 ：iMESA 使用 iSAM2 算法进行局部更新，该算法能够高效地处理新的测量数据，包括循环闭合信息。iSAM2 能够利用贝叶斯树结构来避免重复计算，从而提高更新效率。
• 逐步融合 ：iMESA 逐步融合循环闭合信息，而不是一次性融合所有信息。这有助于避免由于循环闭合信息导致的数值稳定性问题，并提高算法的鲁棒性。

相比之下，DDF-SAM2 和 DLGBP 在处理循环闭合信息方面存在一些限制：

• DDF-SAM2 ：DDF-SAM2 不约束机器人维持一致的线性化点，这可能导致循环闭合信息被错误地融合到地图中，从而降低地图的准确性。
• DLGBP ：DLGBP 使用 Loopy Belief Propagation 算法进行优化，该算法可能会在存在循环闭合信息的情况下出现收敛性问题。此外，DLGBP 使用窗口化方法来更新因子图，这可能会导致循环闭合信息被部分忽略。

因此，iMESA 在处理循环闭合信息方面比 DDF-SAM2 和 DLGBP 更具优势，能够更有效地利用循环闭合信息来提高地图的准确性 。。

问3 ：iMESA算法在实际应用中如何处理异常值测量？是否需要额外的鲁棒性措施？

答： iMESA 算法本身并没有针对异常值测量进行特别的处理。iMESA 使用非线性最小二乘 (NLS) 优化方法来估计状态，该方法是敏感于异常值测量的。这意味着，如果存在异常值测量，iMESA 可能会得到不准确的估计结果。

为了使 iMESA 更具鲁棒性，可以采取以下额外的措施来处理异常值测量：

• 鲁棒优化方法 ：可以使用鲁棒优化方法来替代 NLS 优化方法，例如 Huber 回归或 RANSAC 算法。这些方法对异常值测量不敏感，能够提供更鲁棒的估计结果。
• 异常值检测 ：可以使用异常值检测算法来识别和去除异常值测量。例如，可以使用 Mahalanobis 距离或统计测试来检测异常值。
• 滤波器 ：可以使用滤波器来平滑状态估计，例如卡尔曼滤波器或粒子滤波器。这些滤波器可以减少噪声和异常值测量对状态估计的影响。

总的来说，iMESA算法本身并不鲁棒于异常值测量。在实际应用中，需要采取额外的鲁棒性措施来处理异常值测量，例如使用鲁棒优化方法、异常值检测算法或滤波器。

总结

本文提出了一种名为iMESA的增量分布式后端算法，用于协作式同时定位与建图(C-SLAM)。该算法旨在解决多机器人团队在实际部署中面临的挑战，例如稀疏通信和计算限制。iMESA基于先前的工作MESA，并将其扩展为增量版本。它使用边缘变量和双重变量来约束共享变量，并通过iSAM2算法进行局部更新。iMESA能够逐步融合循环闭合信息，并提供实时、准确的估计结果。

注 ：今天给大家分享一篇新工作：一种名为iMESA的新型增量分布式协同定位与建图(C-SLAM)后端算法。 如果您有相关工作需要分享，欢迎联系：cv3d008

本文仅做学术分享，如有侵权，请联系删文。

计算机视觉工坊交流群

目前我们已经建立了3D视觉方向多个社群，包括 2D计算机视觉 、 大模型 、 工业3D视觉 、 SLAM 、 自动驾驶 、 三维重建 、 无人机 等方向，细分群包括：

2D计算机视觉： 图像分类/分割、目标/检测、医学影像、GAN、OCR、2D缺陷检测、遥感测绘、超分辨率、人脸检测、行为识别、模型量化剪枝、迁移学习、人体姿态估计等

大模型： NLP、CV、ASR、生成对抗大模型、强化学习大模型、对话大模型等

工业3D视觉： 相机标定、立体匹配、三维点云、结构光、机械臂抓取、缺陷检测、6D位姿估计、相位偏折术、Halcon、摄影测量、阵列相机、光度立体视觉等。

SLAM ： 视觉SLAM、激光SLAM、语义SLAM、滤波算法、多传感器融合、多传感器标定、动态SLAM、MOT SLAM、NeRF SLAM、机器人导航等。

自动驾驶： 深度估计、Transformer、毫米波|激光雷达|视觉摄像头传感器、多传感器标定、多传感器融合、自动驾驶综合群等、3D目标检测、路径规划、轨迹预测、3D点云分割、模型部署、车道线检测、BEV感知、Occupancy、目标跟踪、端到端自动驾驶等。

三维重建： 3DGS、NeRF、多视图几何、OpenMVS、MVSNet、colmap、纹理贴图等

无人机： 四旋翼建模、无人机飞控等

除了这些，还有 求职 、 硬件选型 、 视觉产品落地 、 最新论文 、 3D视觉最新产品 、 3D视觉行业新闻 等交流群