Enhanced Multi-Robot SLAM System with Cross-Validation Matching and Exponential Threshold Keyframe Selection

📄 arXiv: 2410.05017v1 📥 PDF

作者: Ang He, Xi-mei Wu, Xiao-bin Guo, Li-bin Liu

分类: cs.RO

发布日期: 2024-10-07

💡 一句话要点

提出基于交叉验证匹配和指数阈值关键帧选择的增强型多机器人SLAM系统

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: 多机器人SLAM 交叉验证匹配 关键帧选择 指数阈值函数 点云配准

📋 核心要点

  1. 现有SLAM系统在特征匹配中易出现误匹配，影响定位精度和地图质量，是当前研究面临的挑战。
  2. 论文提出交叉验证匹配过滤误匹配，并构建指数阈值函数优化关键帧选择，提升SLAM系统的精度和效率。
  3. 实验结果表明，改进后的多机器人SLAM系统在多个数据集上优于ORB-SLAM3，绝对轨迹误差降低12.90%。

📝 摘要（中文）

移动机器人领域的不断发展对同步定位与地图构建(SLAM)系统的需求日益增长。为了提高SLAM的定位精度和地图构建效率，本文改进了SLAM系统的核心模块。在特征匹配阶段，引入交叉验证匹配来过滤错误匹配。在关键帧选择策略中，构建了一个指数阈值函数来量化关键帧选择过程。与单机器人相比，多机器人协同SLAM (CSLAM)系统显著提高了任务执行效率和鲁棒性。通过采用集中式结构，构建了一个多机器人SLAM系统，并设计了一种由粗到精的匹配方法用于多地图点云配准。该系统基于ORB-SLAM3构建，并利用TUM RGB-D、EuRoC MAV和TUM_VI数据集进行了广泛评估。实验结果表明，与ORB-SLAM3相比，增强算法在定位精度和地图构建质量方面都有显著提高，绝对轨迹误差降低了12.90%。

🔬 方法详解

问题定义：论文旨在解决多机器人SLAM系统中特征匹配的误匹配问题以及关键帧选择效率问题。现有方法容易出现特征误匹配，导致定位精度下降；同时，传统的关键帧选择策略可能不够高效，影响SLAM系统的整体性能。

核心思路：论文的核心思路是通过引入交叉验证匹配来减少特征匹配的错误率，并设计一个指数阈值函数来更有效地选择关键帧。交叉验证匹配通过双向匹配的一致性来验证匹配的正确性，从而过滤掉错误的匹配。指数阈值函数则根据当前帧与已有关键帧的差异程度，动态调整关键帧选择的阈值。

技术框架：该多机器人SLAM系统采用集中式结构，主要包含以下几个模块：1) 特征提取与匹配：使用ORB特征进行提取和匹配，并引入交叉验证匹配进行误匹配剔除；2) 关键帧选择：使用指数阈值函数来判断是否需要将当前帧作为关键帧；3) 多地图点云配准：采用由粗到精的匹配方法，将多个机器人的局部地图进行融合，构建全局一致的地图；4) 位姿图优化：利用所有关键帧的信息，进行全局位姿图优化，提高定位精度。

关键创新：论文的关键创新在于：1) 提出了基于交叉验证的特征匹配方法，有效减少了误匹配；2) 设计了指数阈值函数，能够更智能地选择关键帧，平衡了计算复杂度和地图质量。

关键设计：交叉验证匹配的具体实现是：对于每个特征点，首先进行正向匹配，然后在反向匹配中验证其一致性。只有在正反向匹配中都找到对应点，并且满足一定的几何约束，才认为该匹配是正确的。指数阈值函数的形式为：threshold = a * exp(-b * distance)，其中distance表示当前帧与最近关键帧的距离，a和b是可调参数，用于控制阈值的变化速度。

📊 实验亮点

实验结果表明，所提出的增强型多机器人SLAM系统在TUM RGB-D、EuRoC MAV和TUM_VI数据集上均取得了显著的性能提升。与ORB-SLAM3相比，绝对轨迹误差降低了12.90%，证明了交叉验证匹配和指数阈值关键帧选择策略的有效性。

🎯 应用场景

该研究成果可应用于需要高精度定位和地图构建的多机器人协同作业场景，例如：仓储物流、灾害救援、智能巡检等。通过提升SLAM系统的精度和效率，可以提高机器人的自主导航能力和环境感知能力，从而实现更高效、更可靠的机器人应用。

📄 摘要（原文）

The evolving field of mobile robotics has indeed increased the demand for simultaneous localization and mapping (SLAM) systems. To augment the localization accuracy and mapping efficacy of SLAM, we refined the core module of the SLAM system. Within the feature matching phase, we introduced cross-validation matching to filter out mismatches. In the keyframe selection strategy, an exponential threshold function is constructed to quantify the keyframe selection process. Compared with a single robot, the multi-robot collaborative SLAM (CSLAM) system substantially improves task execution efficiency and robustness. By employing a centralized structure, we formulate a multi-robot SLAM system and design a coarse-to-fine matching approach for multi-map point cloud registration. Our system, built upon ORB-SLAM3, underwent extensive evaluation utilizing the TUM RGB-D, EuRoC MAV, and TUM_VI datasets. The experimental results demonstrate a significant improvement in the positioning accuracy and mapping quality of our enhanced algorithm compared to those of ORB-SLAM3, with a 12.90% reduction in the absolute trajectory error.