多機器人協同SLAM 技術研究進展

劉 鑫，王 忠，秦明星

（火箭軍工程大學 基礎部，西安 710038）

0 概述

同步定位與建圖（Simultaneous Localization and Mapping，SLAM）由SMITH 等［1］于1986 年提出，通過機器人自身所搭載的多傳感器獲取環境信息，并估計自身位姿完成地圖構建，是實現機器人在未知環境下自主定位與導航的關鍵。目前，單機器人SLAM 技術已經具有一定的魯棒性，且廣泛應用于無人駕駛、機器人、無人機、增強現實（Augmented Reality，AR）等領域。但面對大規模環境建圖要求時，全局誤差會不斷累積，單機器人構建地圖的精度會受到影響，甚至會由于計算量過大導致建圖失敗。此外，在某些特定場景中，單機器人會出現意外故障，無法繼續完成建圖任務［2］。

隨著多智能體、人工智能等理論的發展，無人機、無人車和仿人機器人等各種形狀、不同能力的機器人正在被機器人研究人員們設計成能夠通過相互協作或與人類合作的方式完成復雜任務的智能體。近年來，各種機器人間的合作顯著增加，多機器人被廣泛應用于醫療保健、倉儲物流、交通系統、應急響應系統、家務勞動等領域［3］。其中，多機器人協同SLAM 以多機器人系統架構為基礎，為系統內每個單機器人分配任務，利用多機通信使得機器人之間相互協調配合，共同完成復雜場景下的定位建圖需求。

由于單機器人SLAM 在任務中的局限性以及多機器人系統表現出的較強的靈活性和適應性，使多機器人協同SLAM 受到越來越多的關注。目前，國內外關于多機器人協同SLAM 的研究相對單機器人SLAM 較少，且多數以多機器人協同SLAM 的某一關鍵問題研究為主，系統的相關技術研究成果較少。本文結合近年來多機器人協同SLAM 的研究成果，對其實現過程中的關鍵問題進行總結分析，并對多機器人協同SLAM 的發展趨勢進行展望。

1 多機器人協同SLAM 發展現狀

SLAM 問題自提出以來到現在已經發展了三十多年，隨著計算機硬件和相應傳感器的快速發展，使很多SLAM 算法理論得以實現。如目前單機器人常用的激光 SLAM 算法有 Gmapping［4］、Hector［5］、Cartographer［6］，視 覺SLAM 算法有SVΟ-SLAM［7］、ΟRB-SLAM［8］等。在單機器人SLAM 算法的發展相對成熟下，研究人員們開始將研究方向轉移至多機器人SLAM 算法，以便迎合未來大規模場景建圖導航與定位的需求。

多機器人協同SLAM 實現的基礎是多機器人系統。多機器人系統通常采用集中式、分布式和分布-集中式3 種架構。目前，多機器人系統的相關理論研究成果較為豐富，但實際開發和應用中仍有很多問題有待解決［9］。多機器人協同SLAM 關鍵在于如何生成全局一致性地圖，其中又涉及機器人間的位姿估計、通信等問題。對于多機器人協同SLAM，目前已有一些解決方法被提出，如基于拓展卡爾曼濾波（EKF-SLAM）、基于粒子濾波（PF-SLAM）、圖優化（Graph SLAM）等算法。

基于拓展卡爾曼濾波的SLAM 是協同SLAM 中應用最廣泛的一種解決方法。2014 年，SCHMIDT［10］提出基于拓展卡爾曼濾波的多機器人視覺SLAM 系統，在MonoSLAM 的基礎上引入機器人交互觀測機制，測量機器人間的相對位姿。通過拓展卡爾曼濾波不斷更新狀態估計，以允許多個異構機器人進行協同SLAM。2016 年，PIASCΟ 等［11］設計一種基于拓展卡爾曼濾波的傳感器融合方案，從分布式的測量數據中估計所有無人機的位置和方向，完成了具有多個無人機的分布式立體視覺協同定位。但拓展卡爾曼濾波是將非線性系統線性化來估計位姿，會出現不可避免的增量誤差。為了獲取理想的濾波效果和減少狀態估計誤差，2021 年，ZHΟU 等［12］提出一種含有遺傳因子的改進拓展卡爾曼濾波算法，將當前步驟的狀態更新拓展為當前和之前兩個步驟的狀態更新，并引入遺傳因子來降低之前步驟狀態更新的影響，該算法提高了拓展卡爾曼濾波的定位精度。

拓展卡爾曼濾波在更新位姿狀態時需要計算雅可比矩陣，由于雅可比矩陣的計算復雜性，基于拓展卡爾曼濾波的SLAM 算法無法滿足實時性要求，不能生成大的環境地圖。為了解決該問題，研究人員引入了不計算雅可比矩陣的粒子濾波。2002 年，MΟNTEMERLΟ 等［13］提出Fast SLAM 算法，采用粒子濾波算法解決定位問題，采用拓展卡爾曼濾波算法解決地圖創建問題，實現了實時輸出柵格地圖。但粒子濾波中粒子重采樣的隨機性會導致粒子的多樣性散失，粒子耗散也隨著采樣次數不斷加劇，進而影響地圖構建精度。為了解決這一問題，2014 年，TANG 等［14］提出基于粒子群優化的SLAM 算法，在采樣前調整粒子位置，增強建議分布，提高定位精度。2021 年，LIU［15］提出在標準粒子濾波中引入基于點線一致性的增量式地圖構建方法，該方法保留了每個粒子中線段特征地圖的假設，并對觀測信息引入重要性函數。在此基礎上，提取局部地圖的ΟRB 特征，尋找最佳匹配點并計算其點集的變換矩陣，從而完成高精度的地圖融合，實現多機器人協同SLAM。

圖優化是一種平滑的SLAM 算法，可以將該算法分為前端和后端兩個部分。前端以機器人位姿為頂點、位姿關系為邊來構建位姿圖，后端調整機器人位姿頂點來滿足位姿關系邊的約束。圖優化SLAM通過最大后驗概率估計將SLAM 問題轉化為最小二乘優化問題，由于先前的所有狀態和觀測到的數據都參與了優化［16］，機器人姿態估計的精度有了明顯提高。2010 年，KIM 等［17］通過描述多個位姿圖之間的關系，提出增量式平滑和建圖（Incremental Smoothing and Mapping，ISAM）算法優化不同的相對位姿圖，實現多機器人協同建圖。

近年來，隨著人工智能的深入研究，研究人員們將深度學習與SLAM 技術相結合，出現了基于深度學習的AI SLAM 算法［18-19］。目前，深度學習與SLAM 的結合主要體現在幀間估計［20］、閉環檢測［21］和語義地圖［22］3 個方面。結合了深度學習的幀間估計較傳統算法避免了復雜計算，更加簡潔；在閉環檢測方面，準確度、魯棒性、智能化程度都比傳統閉環檢測方法高；融合了深度學習的語義地圖豐富了地圖信息，尤其是室內SLAM 使物體標簽化，極大地促進了機器人和環境間的交互［23］。目前主流的多機器人協同SLAM 算法對比如表1 所示。

表1 主流的多機器人協同SLAM 算法對比Table 1 Comparison of mainstream multi-robot collaborative SLAM algorithms

2 多機器人協同SLAM 分類

目前，多機器人協同SLAM 是建立在多機器人系統以及單機器人執行建圖任務的基礎上。因此，根據單機器人自身所搭載的傳感器不同，可以將多機器人協同SLAM 主要分為激光協同SLAM、視覺協同SLAM 和激光視覺融合SLAM 三大類。

2.1 激光協同SLAM

當前，多機器人激光協同SLAM 框架主要基于單機器人激光SLAM 進行建圖任務，并保證所創建局部地圖的精度。通過多機器人系統架構進行通信，對局部地圖進行關聯匹配，閉環檢測。最終進行地圖融合，并對融合后的全局地圖進行優化。多機器人激光協同SLAM 框架如圖1 所示。

圖1 多機器人激光協同SLAM 框架Fig.1 Multi-robot laser collaborative SLAM framework

在單機器人激光SLAM 中，2D/3D 激光雷達作為主要傳感器。為了保證建圖精度，一般還會搭載慣性測量單元（Inertial Measurement Unit，IMU）、里程計等傳感器輔助激光雷達進行多傳感器數據融合。通常在簡單的室內場景下采用2D 激光雷達，復雜的室外場景采用3D 激光雷達，結合IMU 計算角度信息、里程計計算位置信息來完成單機器人SLAM。

如圖1 所示，可將激光SLAM 主要分為掃描匹配、后端優化、閉環檢測3 個關鍵模塊。掃描匹配是通過相鄰幀之間的關系在已知前一幀位姿的條件下估計當前幀位姿，進而生成短時間內的位姿和地圖。目前常用的掃描匹配算法有迭代最近點（Iterative Closest Point，ICP）、相關性 掃描匹 配（Correlation Scan Match，CSM）、正態分布變換（Normal Distribute Transformation，NDT）等［24-26］。后端優化主要是解決不可避免的局部誤差累積，目前以基于濾波的優化和基于圖優化的后端優化算法為主。閉環檢測是對激光數據掃描匹配的相似性進行檢測，判斷當前所處位置是否為曾經訪問過的位置，從而對當前構建的地圖進行優化。目前主要有幀與幀之間檢測、幀與子圖之間檢測、子圖與子圖之間檢測等方法。

自1987 年SMITH 等［27］引出SLAM 概念 并基于擴展卡爾曼濾波提出EKF-SLAM 算法以來，激光SLAM 算法的研究便被越來越多的研究人員所關注。2016 年，谷歌公司提出新的開源SLAM 算法Cartographer［6］，融合IMU、里程計等傳感器數據，不斷更新優化前端掃描匹配所創建的子圖，后端加入閉環檢測并對子圖再次優化，得到全局地圖。2020 年，仇昌成［28］在谷歌公司的Cartographer 算法基礎上，提出基于ΟctoMap 的多機器人SLAM 算法。該算法首先保存單機器人在給定的環境中所創建的子地圖序列，通過ΟctoMap 關聯算法對子圖進行數據關聯和子地圖的閉環檢測；然后選取子地圖中匹配特征數量最多的變換矩陣作為單機器人之間的位姿變換，選擇全局坐標系，提取多機器人的正確閉環，創建多機器人的全局優化函數；最后基于L-M 算法求解全局優化函數的最優解，得到子地圖之間的最優變換矩陣，通過ΟctoMap 融合算法創建全局地圖。

目前，將成熟的單機器人激光SLAM 算法拓展到多個機器人來解決多機器人協同激光SLAM 問題是常見的解決方案。2019 年，ZHANG 等［29］提出一種僅基于3D 激光雷達傳感器的多車協同SLAM 算法。首先使單機器人通過LΟAM-SLAM［30］算法生成自身局部地圖；其次提取觀察幀的地面特征，生成多個特征幀對兩個機器人經過的相同場景進行識別；最后從所提取的相同場景區域的所有幀對中提取點云，為每個單機器人建立子圖，計算位姿變換矩陣，創建全局一致性地圖。

2.2 視覺協同SLAM

相對于激光雷達，相機以小體積、低功耗、獲取信息豐富等特點已成為SLAM 問題的主要傳感器之一。目前，視覺協同SLAM 的主體實現框架和激光協同SLAM 大致相同，主要基于單機器人視覺SLAM 以及多機器人系統來完成多機器人視覺協同SLAM。多機器人視覺協同SLAM 的框架如圖2 所示。

圖2 多機器人視覺協同SLAM 框架Fig.2 Multi-robot visual collaborative SLAM framework

在單機器人視覺SLAM 中，相機作為主要傳感器。根據不同的相機特點，可以將視覺SLAM 分為僅搭載一個相機的單目視覺SLAM、搭載多個相機的立體視覺SLAM 和搭載深度相機的RGB-D SLAM［31］。相對激光SLAM 而言，視覺SLAM 對環境的描述更為精細，但將相機作為唯一的傳感器仍會受到復雜環境的影響。為了達到更好的建圖與定位效果，研究人員們在視覺SLAM 中也融合了IMU、里程計等傳感器數據，提高了視覺SLAM 在面對復雜環境時的魯棒性［32-33］。

如圖2 所示，可將視覺SLAM 主要分為視覺前端、后端優化和回環檢測三大部分。視覺前端主要分為直接法和特征點法，由于直接法很難匹配多機器人相機間的像素建立對應關系，因此在多機器人視覺SLAM 中，視覺前端一般選擇特征點法，包含特征檢測與提取、特征匹配和幀間配準。目前主流的特征提取方案主要有尺度不變特征變換（Scale-Invariant Feature Transform，SIFT）、加速穩健特征（Speeded Up Robust Features，SURF）、ΟRB（Οriented FAST and Rotated BRIEF）特征提取［34］等。特征匹配是用來建立相鄰幀之間的相同空間點線特征的對應關系，一般通過快速近似最近鄰搜索庫（Fast Library for Approximate Nearest Neighbors，FLANN）或K 最近鄰（K-Nearest Neighbors，KNN）等算法進行匹配，對于誤匹配或匹配失敗的特征點可以通過隨機抽樣一致（Random Sample Consensus，RANSAC）算法進行濾除［35］。幀間配準通過相鄰幀之間配對成功的特征點來初步確定相鄰幀的相對運動，通常選擇迭代最近點（Iterative Closest Point，ICP）算法對幀間運動關系進行求解。

在后端優化方面，視覺SLAM 一般也是基于濾波算法和基于圖優化兩種方法進行優化處理。由于時間和幀數的不斷增加，視覺前端的累計誤差也會隨之增長，這將使得SLAM 的效果很差，無法建立全局統一的地圖?；丨h檢測可以在當前數據和歷史數據之間建立關聯，通過將當前關鍵幀和歷史所有幀進行比較，保證了在一定時間內位姿估計和所建地圖的準確性。同時，這也使得多機器人協同SLAM在面臨大規模地圖環境時，檢測時間會很長，進而導致建圖效率過低等問題。在回環檢測對整體SLAM效率和效果的影響問題上，有許多科研工作者設計了不同的改進算法［36-38］，這對多機器人視覺協同SLAM 有較大幫助。

2007 年，DAVISΟN 等［39］提出MonoSLAM 算法，該算法將單目相機和拓展卡爾曼濾波優化算法相結合，該算法的提出拓展了視覺SLAM 的解決方案。與激光協同SLAM 相同，多機器人視覺協同SLAM的算法多數是對某種單機器人視覺SLAM 算法的拓展延伸。2019 年，SCHMUCK 等［40］提出的CCMSLAM 多機器人協同SLAM 框架便是基于單機器人的視覺SLAM 算法ΟRB-SLAM 而實現的視覺協同SLAM 算法。該算法系統框架由一個服務器和若干單機器人子端構成，單機器人僅保留基本的視覺里程計，以保證能夠在環境中獨立建圖和定位，單機器人和服務器之間通過無線網絡進行通信。在通信期間，單機器人子端負責將所建立的地圖信息發送至服務器端，單機器人只保存最近的N個關鍵幀，由服務器存儲管理每個單機器人子端的歷史地圖信息。同時，服務器也向單機器人子端發送地圖信息，以便子端重復到達某一位置時，為單機器人子端提供歷史地圖信息，進一步優化本地地圖。最終由服務器完成相對位姿確定、地圖融合、冗余檢測和全局優化、生成全局一致性地圖等工作。

2.3 激光視覺融合協同SLAM

目前，多機器人協同SLAM 多數僅利用激光或視覺數據。由于單一的激光或視覺SLAM 存在一定的局限性，如激光SLAM 在又長又直的長廊中或是動態變化大的環境中容易發生定位丟失，視覺SLAM 對光照的依賴度較高以致于在暗處或無紋理區域無法進行工作，這使得多機器人SLAM 在面對大規模動態環境時呈現出較低的效率和魯棒性，因此將能夠直接檢測障礙物的激光SLAM 和能夠從圖像中提取豐富信息的視覺SLAM 相融合，以實現高性能的多機器人協同SLAM是一個較好的解決方法。

在單機器人實現激光和視覺融合SLAM 算法中：2006 年，NEWMAN 等［41］利用SIFI 特征實現閉環檢測，然后觸發基于激光的掃描匹配來實現SLAM，但該算法存在計算成本高的缺點；2015 年，ZHANG等［42］開發了一個將視覺和激光結合的通用框架，該框架首先通過視覺里程計估計自身位姿并配準來自激光雷達獲取的點云數據，再利用基于激光雷達里程計細化位姿估計和點云配準。

與單一的激光或視覺協同SLAM 算法相似，多機器人融合協同SLAM 是基于單機器人融合SLAM來實現的。2019 年，CHEN 等［43］提出一個多機器人融合SLAM 算法。該算法首先將激光雷達前端獲取的激光數據進行幀間掃描匹配，生成位姿圖并基于滑動窗口對其優化和映射；然后將視覺所獲取的信息進行閉環檢測并發送閉環信號至激光雷達前端，激光數據對該視覺閉環進行判斷和修正，以實現高效的環路檢測和閉合；最后通過局域網使得多個機器人能夠及時傳輸數據，將單個位姿圖轉換為同一坐標系下對不同機器人間的位姿圖建立約束連接，通過最小二乘法對其進行優化，便得到了由多機器人構建的全局地圖。

結合多機器人激光協同SLAM、多機器人視覺協同SLAM 以及多機器人激光視覺融合協同SLAM 的實現過程和主傳感器差異，3 種算法在對環境的適應性、計算量、建圖質量等方面都有所不同。表2 列出了3 種主傳感器下多機器人協同SLAM 算法的性能比較。

表2 3 種主傳感器下多機器人協同SLAM 算法的性能比較Table 2 Performance comparison of multi-robot cooperative SLAM algorithms under three main sensors

3 協同SLAM 的關鍵問題

多機器人協同SLAM 相對單機器人SLAM 有著效率高、容錯性強、精準度高等優勢，但同時也面臨一些問題和挑戰。在多機器人協同SLAM 中，單機器人在構建局部地圖的同時需要整合所有可用數據來輔助自己在全局環境中進行精準定位，通過多機器人系統之間的通信進行數據關聯，相互協調構建一致的全局地圖。所涉及的架構選擇和任務分配、相對位姿確定、通信和數據關聯、地圖融合和后端優化等都是多機器人協同SLAM 的關鍵問題。

3.1 架構選擇和任務分配

對于多機器人協同建圖，首先需要對總體任務進行了解，根據單機器人的整體性能，選擇適合本次任務的多機器人系統。多機器人系統是多機器人協同SLAM 的基礎，多機器人系統需要根據環境約束、任務規模等因素來選擇不同的架構，從而更好地實現任務分配和協同作業。目前，根據不同的控制方式，可以將多機器人系統架構分為集中式、分布式、分布-集中式3 種，如圖3 所示。

圖3 多機器人系統架構Fig.3 Multi-robot system architecture

1）集中式，通常采取服務端和客戶端模式，設置計算力較高的中央控制端作為服務端，單機器人作為客戶端。單機器人與中央控制端通過局域網或移動網進行通信，單機器人傳輸自身獲取的環境信息給中央控制端，中央控制端給單機器人發布任務和其他指令。中央控制端可以根據系統中所有單機器人觀測到的環境信息構建全局地圖，由于所有的任務都由中央控制端處理和發布，單機器人只需完成自身SLAM 問題即可，單個機器人成本低，執行效率高［44-45］。但為了保證機器人與中央控制端之間必要的數據傳輸，集中式要求單個機器人必須在中央控制端的通信范圍內開展建圖任務。隨著云計算、5G通信等技術的發展，將中央控制計算單元設在云端，通過全覆蓋的5G 網絡達到實時通信的集中式架構也正在研究中［46］。

2）分布式，該系統中的每個機器人在建立自身局部地圖的同時，還可以與系統中其他機器人進行通信。在通信過程中，選擇計算力較強的單機器人來融合系統中其他機器人的局部地圖，從而生成全局地圖［47-49］。相對集中式而言，雖然分布式系統的魯棒性更強，不受通信范圍的約束，但實際應用在多機器人協同SLAM 中也更為復雜。分布式要求系統為每個擁有不同計算力的機器人分配不同任務，計算力的不同也影響到單機器人間所交流的信息量大小不一［50-51］。因此，分布式系統中兩兩機器人間的通信負載也不盡相同，這便要求分布式系統中的通信帶寬需設置在一個合適的范圍內。

3）分布-集中式，可以將系統中的機器人進行分組，在分組內采用分布式控制方式生成局部地圖，之后通過中央管理模塊生成全局地圖。或者在通信范圍內選擇集中式控制方式，當超出通信范圍時轉換為分布式控制方式，以實現多機器人系統架構的穩定性。分布-集中式既具備集中與分布兩種系統的優勢，又保持了一致性［52］。在許多分布-集中式的架構中，中央管理模塊承擔較多的計算量，在給子端發送命令時也會將部分任務分配給單機器人來處理［53-54］。

3.2 多機通信和數據關聯

多機器人間的通信對多機器人協同SLAM 是至關重要的，機器人之間的數據可以通過當前任務所處環境中穩定可用的通信信道進行共享處理。對某一環境而言，當前通信的帶寬和覆蓋范圍代表著該環境下的通信質量和穩定性。因此，多機通信的帶寬和覆蓋范圍決定了多機器人協同SLAM 的質量。數據的交換共享可以是機器人與機器人（分布式）或中央控制端（集中式）之間的原始數據，如雷達、攝像頭里程計等傳感器直接獲取的數據［55］。但在多數情況下，交換的數據信息是機器人所構建的局部地圖、當前位姿等已加工數據［56］，在這種情況下所交換的數據量也會成倍增長，對帶寬和通信范圍有了更高的要求。

目前，為解決基本的帶寬需求問題，MΟHANARAJAH等［57］提出在機器人間只發送壓縮的關鍵幀和更新的關鍵幀位姿，GUPTA 等［58］建議通過改進協議和路由的方法來滿足帶寬需求，MARCΟTTE 等［59］還提出通過機器人決策交換數據的優化算法來動態地適應當前帶寬的解決方法。在現實的環境中，多機器人協同工作期間，機器人可能會出現故障、被攻擊、超出通信范圍等情況，從而出現網絡被分割等問題。在多機器人系統SLAM 中所涉及的通信延遲、中斷容忍度、網絡動態性、無縫切換、通信安全等問題也將在接下來的研究中進一步考慮。

數據關聯一直是實現SLAM 的關鍵問題，在多機器人協同SLAM 中尤為重要。成功的數據關聯需要將正確的測量和正確的狀態相關聯，初始化新的軌跡，檢測和拒絕虛假的測量［60］。數據關聯問題中一種常見的解決方案為最大似然估計［61］，在給定位姿和基準標記的初始估計的情況下，計算最大似然數據關聯集合，并隨著機器人狀態改變不斷更新。另一種解決方案是概率數據關聯，采用多假設的方法，保留并關聯多個概率數據，形成并計算多個假設分支的得分，在多個假設分支中選擇最高得分的分支［62］。

3.3 多機器人間的相對位姿

在單機器人SLAM 中，單機器人依據自身搭載的一系列傳感器獲取自身位姿，創建局部坐標系和局部地圖。當單機器人進行地圖更新時，由于傳感器誤差和環境的不確定性會造成自身位姿的不確定。在多機器人協同SLAM 中，多機器人系統需要對單機器人當前所處環境及位姿進行分析，并計算多機器人系統中每個機器人的相對位姿。由于單機器人本身存在一定的位姿不確定性，再加上機器人系統中存在多個機器人，因此相對位姿的確定是非常困難的。

在解決多機器人相對位姿問題時，通常有以下兩種方案：

1）依賴于機器人之間的直接相對位姿約束，假設機器人能夠共享它們之間的3D 點云數據，或者識別環境中的基準標記，通過雷達、攝像頭等傳感器對彼此的姿態進行直接觀察估計［63］。在任務中與其他機器人相遇時，推測彼此在當前時間下的相對姿態并相應地更新它們的位姿估計［64］。2018 年，TSΟUKALAS 等［65］提出在無人機頂端添加一個由17 個小平面組成的菱形基準標記，該標記可以被無人機所搭載的視覺傳感器所識別，進而在無人機之間優化更新相對位姿的估計。

2）依賴于機器人之間的間接相對位姿約束，當多個機器人觀察到同一場景時會形成閉環約束［66］。此外，可以在不同時間多個機器人之間建立該約束，不需要機器人之間的直接視線和相遇。2018 年，CHEN 等［50］通過計算當前關鍵幀的視覺單詞，并在由DBoW2 構成的視覺詞匯樹中獲取與當前關鍵幀相似的候選幀。對匹配度較高的候選幀進行Sim3變換，RANSAC 算法迭代計算相似變換，將回環檢測的思想應用于幀間匹配，進而估計相對位姿。

3.4 地圖融合

在多機器人協同SLAM 中，單機器人在給定的任務范圍內建立局部地圖，協同SLAM 需要將所有單機器人建立的局部地圖融合起來生成全局地圖。但由于每個單機器人在生成局部地圖時的坐標系不統一，因此不能對局部地圖直接進行合并。針對該問題通常有以下兩種情況：

1）已知初始相對位姿的情況：直接利用初始位姿關系得到局部地圖之間的變換關系，但該方法的誤差會隨著時間不斷累積［67］。為了使誤差盡可能最小，通過梯度下降法尋找最優變換，或者通過粒子濾波算法進行優化［68］。

2）未知初始相對位姿的情況：通過機器人計算機器人間的直接相對位姿約束，進而得到所生成局部地圖之間的變換關系［69］。另外，在單機器人所生成的局部地圖間進行重疊檢測，尋找重疊區域，從而得到變換關系［70］。并且，基于點、線或者其他特征進行匹配，對匹配的特征進行可靠性分析，以此來計算局部地圖之間的變換關系［71］。

3.5 后端優化

在多機器人協同SLAM 中，后端優化是極其重要的環節，主要根據多機器人協同SLAM 前端所構建的相關約束，形成多機器人協同SLAM 的全局誤差目標函數。接著通過優化算法對目標函數求出最優解，將全局誤差降至最小，并創建全局一致性地圖。

根據后端優化時算法的不同，多機器人SLAM算法主要分為基于濾波器和基于圖優化的算法。在基于濾波器的算法方面，2006 年，ZHΟU 等［72］基于卡爾曼濾波對機器人的位姿和標志點信息進行濾波，提出EKF-SLAM 算法來解決多機器人建圖問題。由于該算法需要不斷更新協方差矩陣（其計算量與特征點數量成正比）來表示機器人之間相對位姿的不確定性，當面臨復雜環境時，EKF-SLAM 算法的計算量會比較大。2005 年，THRUN 等［73］提出基于稀疏特征的擴展信息濾波算法SEIF-SLAM，采用可加性的信息矩陣替換協方差矩陣來降低多機器人SLAM 的計算 復雜性。2006 年，HΟWARD［74］在THRUN 等研究基礎上提出基于Rao-Blackwellised粒子濾波的多機器人SLAM 算法，假設每個機器人在執行任務時至少相遇一次，相遇時測量其相對位姿，通過兩個隊列來記錄機器人相遇前后的觀測數據和運動數據并創建全局地圖。但基于濾波的SLAM 算法計算量比較大，特別是在復雜環境下對機器人的計算能力有較高要求?；趫D優化的SLAM 算法以計算量小、精準度高等優點逐漸被廣大研究人員所關注。2016 年，DEUTSCH 等［75］提出了單機器人圖優化SLAM 算法獲取局部位姿圖，通過軟件進行聚合生成全局位姿圖的多機器人協同SLAM 框架，該框架可以與各種SLAM 算法協同工作。同年，CAMPΟS 等［76］將光學軌跡與機器人的度量軌跡相融合，并進行圖優化，基于多機器人對水下環境進行了3D 建圖。2020 年，BΟNIN-FΟNT 等［77］提出在單個基于姿態的圖中連接不同機器人在相同場景下的多條軌跡，然后通過HALΟC 回環檢測算法在不同機器人的軌跡圖像之間尋找循環閉合，并向全局圖添加附加約束，基于圖優化的算法實現了多機器人水下協同SLAM。

4 未來研究展望

當前，對多機器人協同SLAM 而言，由于發展時間稍短，其算法的成熟度仍不如單機器人SLAM。在多機器人協同SLAM 的關鍵問題上，研究人員展開了系列研究，使多機器人協同SLAM 較前些年有了一定的進步。結合目前研究現狀，筆者認為多機器人協同SLAM將在以下6 個方面做進一步的研究與探索：

1）異構機器人協同技術下的多種地圖合并。在未知的復雜環境中，單純地依靠一種類型的機器人儼然不能滿足任務需要。如只通過無人機對地面環境進行建圖時，對環境的描述是相對粗糙的，若將地面機器人與無人機相結合，其整體對環境的描述將會更加細膩。機器人多樣化是多機器人的發展趨勢。對于不同類型的機器人，所生成的地圖類型也不盡相同，如柵格地圖、拓撲地圖、語義地圖等。如何融合多種機器人的傳感器數據和多種類型的地圖，創建一致性的環境地圖是多機器人協同SLAM未來要解決的關鍵問題。

2）多樣性環境下穩定且高效的通信技術。在多機器人協同SLAM 中，容錯性仍是一個關鍵問題，持續且良好的通信保障能夠有效提高協同SLAM 的容錯性。環境的多樣性決定了通信介質的多樣性，如水下環境中的高干擾和較差的信號傳播條件，直接影響了通信的可靠性。如何在多樣性的環境下保持良好的通信，以及在數據丟失的情況下建立高質量的地圖對于多機器人協同SLAM 而言是一項挑戰。

3）大范圍未知環境條件下的協同SLAM 算法。當前，許多協同SLAM 算法在創建全局一致性地圖時通常是對已完成的局部地圖進行融合，這導致了在特征類似或缺失的環境中算法表現較差。在地圖融合的過程中考慮加入時間戳機制或一定時間內進行一次局部地圖融合，有利于在動態的環境中進行SLAM。大范圍環境中進行SLAM 對機器人間的協調而言是具有挑戰性的，尤其對于多機器人系統架構。將協同SLAM 應用場景由小范圍靜態轉變為大范圍動態既是多機器人協同SLAM 的發展趨勢，也是一大挑戰。

4）不同機器人數量的彈性變換協同技術。目前多數多機器人協同SLAM 算法是在某一特定場景下執行，其機器人的數量也是提前設定好的，這樣的協同SLAM 算法面對不同環境時會很大程度影響整體效果和效率。因此，在設計協同SLAM 算法時，考慮算法中機器人的數量可以隨著環境變化而彈性增減，能夠提高算法的魯棒性和效率。

5）深度學習與語義SLAM。隨著深度學習和計算機硬件的快速發展，將目標檢測等算法應用在機器人上已經成為現實。將目標識別檢測與語義SLAM 相結合，使得機器人對環境中的物體標簽化，一方面可以輔助機器人確定自身位姿，另一方面也可以加強機器人與環境中物體的交互性。

6）統一的多機器人協同SLAM 性能評估技術。在多機器人協同SLAM 得到越來越多科研工作者關注的情況下，協同SLAM 的解決方案也在不斷增長。因此，亟需選擇定位建圖精度、工作效率、魯棒性等多個性能評價指標對不同算法進行客觀評估。

5 結束語

針對單機器人SLAM 在實際應用中的局限性，本文引入多機器人協同SLAM 概念并介紹其發展現狀，明確多機器人協同已經成為SLAM 的主要發展趨勢。隨著研究的不斷深入，多機器人協同的關鍵問題逐漸被解決，異構多機器人協同和語義SLAM作為主要發展趨勢，不僅能夠拓展SLAM 應用的空間維度，而且為機器人與環境之間的深度交互提供了新思路。但若將多機器人協同技術廣泛應用于SLAM 領域，則其算法細節與魯棒性仍有待提升，因此下一步將對此進行深入研究。