基于点与物体特征的一致性分布式不变EKF SLAM
论文提出Joint-CI，一种用于分布式右不变扩展卡尔曼滤波（RI-EKF）SLAM的统一融合方法，支持点特征、物体特征及点-物体混合地图。该方法利用邻居机器人的局部后验与机器人间观测，在接收机器人的误差坐标中构建接收机器人位姿与公共特征的联合估计，保留机器人-特征和特征-特征相关性，再用部分状态协方差交叉（CI）与本地后验融合。作者证明该公式与融合保持与全局旋转、平移相关的六个不可观测方向，并在局部后验一致时保持一阶协方差一致性；蒙特卡洛仿真与真实数据集实验显示其提升估计精度且不确定性一致、适度保守。
发布于 10-23 23:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Consistent Distributed Invariant EKF SLAM with Point and Object Features》查看原链
多机器人SLAM允许机器人通过交换地图信息来改进估计，但反复交换会在局部估计器之间产生未知相关性。 协方差交叉（CI）可以在不追踪这些相关性的情况下融合估计。 然而，在右不变扩展卡尔曼滤波（RI-EKF）SLAM中，点特征通过机器人旋转获得其不变误差，因此邻居的地图估计是在其自身的误差坐标中表达的，并与其位姿相关，无法直接由CI融合。
本文提出Joint-CI，一种用于分布式RI-EKF SLAM的统一融合方法，支持点、物体以及点-物体混合地图。 利用邻居机器人的局部后验和机器人间观测，在接收机器人的误差坐标中构建接收机器人位姿与公共特征的联合估计，保留机器人-特征和特征-特征相关性。
随后，部分状态CI将该估计与接收机器人的局部后验融合。 我们证明，该统一公式和融合保持了与全局旋转和平移相关的六个不可观测方向，并且在局部后验一致的条件下，通信和融合保持一阶协方差一致性。 蒙特卡洛仿真和基于真实数据集的实验表明，Joint-CI在保持一致且适度保守的不确定性的同时提高了估计精度。