2021-COVINS: Visual-Inertial SLAM for Centralized Collaboration

COVINS: Visual-Inertial SLAM for Centralized Collaboration

通过DISCO-slam了解了协同SLAM优化的一种方式，但是对具体的协同后端优化并没有产生直观的理解
covins 一个集中式架构
消除了对外部基础设施或预先构建的地图的需要，以实现多代理应用。—可以同时处理数据-大场景
该框架可以在PC上本地运行，也可以在远程云服务器上运行，此外，该框架还得到了冗余检测方案的支持，该方案被证明能够显著减少估计中KF的数量，同时保持类似的准确性水平。—应用AR
可以关注一下这种冗余检测。
问题：看过的论文中都提到了SLAM中的multi-session capabilities，多段能力，但是并没有很理解是什么意思–重复利用之间建立好的地图。
我觉得这么多机器人在集中式架构上，必须有非常强劲的服务器才行。

摘要

本论文体现了多协同体（>10）大场景SLAM，目前看过的论文基本上都是3个（重点：它是如何突破数量上的限制–关键技术–通信问题-数据管理），各单体只是分享地图信息到服务器上么，服务器—位置重识别、全局优化、冗余数据移除

引言

应用不仅仅是机器人，还有多用户共享的AR/VR
再CVI-SLAM的基础上进行的整个系统的改进。
集中式协同SLAM的硬伤——应用距离、大数量机器人的可扩展性、数据一致性检测、数据重复统计
同时我认为-单体SLAM面临的一些问题协同SLAM仍然面临-联合标定–运动畸变–动态场景–但是这些问题是不是协同SLAM需要解决的关键性问题呢？

有意思的相关研究

《Distributed Mapping with Privacy and Communication Constraints: Lightweight Algorithms and Object-based Models》，这个系统有预先训练的对象？基于对象/目标/物体的建图？

代理的数量不需要先验已知—不需要预先知道无人机的数量

准备–模型

可能是因为没读过系统的前作吧，对其中数学符号的定义有些不不熟悉
下面是IMU 加速度和角度的模型—从世界坐标系到载体坐标系
上尖表示真值

下面就是系统的状态

前四项很明显是关键帧k的参数量：第k关键帧处，IMU系到世界系的旋转；IMU系到世界系得平移；在世界系下的线性速度；偏差。
第五项是地标i在世界系下的位置。
代表某个状态

方法

通信建立的式p2p连接，并且消除了CVI-SLAM中通信模块先前的ROS依赖性()

一个统一的通信接口–能够自由地与基于关键帧的VIO系统建立连接–每个子机器人运行自己的VIO-SLAM，然后把过程中产生的关键帧以及地标点告知服务器

服务器核心是地图管理器–控制系统中全局地图的访问以及关键帧数据集用于有效的位置重识别，地图融合、冗余关键帧剔除。

位置重识别处理来自代理的所有KF，检测视觉重叠，并且位置重识别不区分被用于什么回环检测或者地图融合。

服务器进行的优化方法为：位姿图优化PGO(规律)以及全局BA-GBA（低频）

系统提供了一个扩展接口，运行使用者与系统进行交互。