.png){kind=icon}
返回
Distributed Pose Graph Optimization via Contractive Belief Sharing
.png){kind=icon}
PRE
AI
DOI：10.1109/LRA.2025.3632725.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在单机器人同时定位与建图（SLAM）技术相对成熟之后，针对协作式SLAM的研究近期开始涌现。为满足对鲁棒且可扩展的多机器人系统的需求，学术界已将目标转向分布式位姿图优化（DPGO），当前DPGO方法可分为两类：一类是基于优化的方法，其收敛性能良好，但需以参与者之间过多的通信轮次为代价；另一类是信念传播方法，其可扩展性和计算速度更优，但可能存在环路和噪声图上的发散风险。为提升DPGO技术的有效性，本研究提出了一种名为收缩信念共享（CBS）的两阶段消息传递算法，该算法将最大后验概率（MAP）优化与基于Hellinger距离阻尼规则的信念传播相结合。通过这种方式，CBS在保持完全分布式计算且仅与邻居通信的同时，确保快速且可靠的收敛。基准测试实验表明，CBS的收敛速度显著快于现有最优方法，且在效率与可扩展性方面表现更优，同时能维持高精度的轨迹估计，为协作式SLAM开辟了新的可能性。
Keyword:
Multi-robot SLAM
localization
SLAM
