---

---

摘要

摘要 —— 使用不同异构传感器进行协作状态估计对于在无GPS环境中运行的机器人群体来说是一个基本前提，这带来了一个重要的研究挑战。在本文中，我们引入了一个集中式系统，以促进协作激光雷达-测距-惯性状态估计，使机器人群体能够在不需要锚点部署的情况下运行。该系统有效地将计算密集型任务分配给中央服务器，从而减少了单个机器人进行局部里程计计算的计算负担。服务器后端通过利用共享数据，并通过位置识别、全局优化技术和去除异常数据来完善联合位姿图优化，从而建立全局参考，确保精确和稳健的协作状态估计。对我们系统的广泛评估，利用公开可用的数据集和我们的自定义数据集，显示出协作SLAM估计精度的显著提高。此外，我们的系统在大规模任务中表现出显著的能力，无缝地使十个机器人能够有效地协作执行SLAM任务。为了对研究社区做出贡献，我们将使我们的代码开源，并可在github访问。

图 1. CoLRIO估计来自10个无人机的模拟结果。总轨迹长度超过1000米；黑色虚线表示真实情况，而红色线条表示环路和距离约束。

I. 引言

自主机器人群体在探索、检查、搜救、医疗、家务和物流等公共应用中获得了显著的吸引力 [1], [2]。准确估计单个机器人的六自由度状态是至关重要的，因为它支撑着反馈控制、障碍物避让和路径规划。虽然单机器人系统的状态估计和映射可以利用最先进的SLAM技术，例如VIO [3], [4] 和LIO [5]–[7]，但向机器人群体的协作定位过渡引入了独特的复杂性，依赖于机载传感器和群体内部通信。随着对协作定位的需求不断增长，各种算法已经被开发，一些依赖于外部设备如运动捕捉 [8]，固定UWB锚点 [9]，或GPS [10] 来估计机器人状态在一个共同的参考框架中。然而，这些解决方案并不总是可用的，通常受到诸如城市环境限制GPS可靠性或需要基础设施部署（例如，UWB锚点）等因素的约束，限制了它们的多功能性。一种替代方法来规避这些限制涉及使用视觉检测或位置识别[11], [12] 在机器人之间建立约束。这些约束可以在多个机器人上的传感器同时观察共享地标或当一个机器人在其传感器的视野内观察到另一个机器人时产生。然而，共享观察需要邻近机器人之间有显著的视野重叠，限制它们保持接近并限制了群体的灵活性。

本文介绍了一个实时且稳健的集中式状态估计系统，该系统专为配备激光雷达、IMU和UWB传感器套件的机器人团队设计，能够在不部署任何锚点的情况下实现协作定位。每个机器人使用强度辅助的Fast-GICP方法进行直接LIO，以实现高效的扫描到地图的注册。同时，一个中央服务器收集成对距离测量，进行机器人间闭环检测，执行稳健的联合优化，并随后向机器人提供优化后的姿态作为反馈。使用我们系统的广泛性能评估正在进行中。公开可用的数据集和我们的自定义数据集，这些数据集揭示了协作SLAM估计精度的提高。值得注意的是，所提出的系统展示了对涉及多达10个机器人（图1）的协作SLAM的支持，强调了其在群体任务中的有效性。

总结来说，这项工作的贡献包括：

• 一个紧密耦合的激光雷达惯性里程计，建立在固定滞后平滑和强度辅助的直接原始点注册之上。
• 一个在线的、稳健的、集中式的激光雷达测距惯性状态估计系统，用于机器人群体，无需部署锚点即可实现协作定位。
• 在数据集和模拟中对所提出的框架进行了广泛的评估，包括性能、通信和可扩展性。源代码和自定义数据集对公众开放。

II. 相关工作

A. 激光雷达惯性里程计

激光雷达里程计通常需要实时操作。该领域中著名的基于特征的算法之一是LOAM [13]，它基于局部平滑性提取边缘和平面特征。几项工作维护了与LOAM类似的框架，例如LIO-SAM [5]、LRIO [7]和LiLi-OM [14]。这些方法结合了IMU来补偿运动失真，并为扫描匹配提供初始估计。然而，实现实时性能通常需要维护一个小的局部地图，这可能导致随时间漂移。因此，地图优化过程（如因子图优化）变得必要。FAST-LIO2 [6]引入了EsSiKF和增量kd树来提高计算效率，实现直接和实时的扫描到地图注册。与上述基于特征的方法相比，FAST-LIO2在消除特征提取参数调整需求的同时，提供了改进的里程计精度。然而，在多机器人场景中，由于引入了众多机器人间测量，维护增量地图可能具有挑战性。LION [15]也直接将原始点注册到地图上，这与GICP [16]和正态分布变换（NDT）[17]的想法非常相似。然而，GICP [16]的低效性和NDT的有限稳定性是需要关注的问题。为了解决这些挑战，Fast-GICP [18]采用了多线程技术来减轻计算负担。我们的工作继承了这种方法，旨在提高前端里程计的效率和稳定性。

B. 多机器人定位和映射

估计机器人之间的相对姿态是一个关键任务，主要旨在补偿里程计漂移而不依赖外部定位基础设施。使用视觉检测[19]已显示出在确定相对姿态方面具有厘米级精度的能力。然而，它受到与机载相机可见性和受限视野（FoV）相关的限制，这可能会限制机器人之间的轨迹和编队。一种有效且广泛使用的方法涉及通过全局或基于对象的特征进行位置识别。基于视觉的协作同步定位和映射（CSLAM）系统[20]–[22]共享关键帧的二进制描述符（例如，ORB），并采用词袋（BoWs）方法来找到多机器人闭环。同样，基于激光的CSLAM系统[23]–[25]提取全局特征以进行闭环检测。LAMP[26]使用TEASER[27]和GICP算法[16]进行相对变换估计。这些方法依赖于机器人视觉范围内具有足够的重叠特征，这可能会限制群体的形成和方向，使它们在特征丰富的环境中最为有效。另一种方法，如[7]、[28]、[29]所述，利用带有固定锚点的UWB测量来消除里程计漂移。虽然这种策略显示出前景，但它需要额外的基础设施部署，限制了其在现实世界场景中的实用性。此外，其他工作[12]、[30]–[32]融合里程计，特别是VIO，与UWB距离测量来估计相对机器人状态。值得注意的是，在全向群体[12]的情况下，基于视觉的检测和位置识别也被用于多机器人状态估计。与位置识别方法不同，[30]–[32]中的方法不强制要求轨迹重叠，赋予其更大的任务灵活性。然而，在这些方法下实现全局一致性和稳健优化仍然具有挑战性，主要是在处理距离测量固有的视线限制时。这项工作引入了轻量级全局描述符和距离测量，以实现高效的闭环检测，并且稳健的优化确保了全局一致性，使其成为在具有挑战性环境中有前景的多机器人状态估计解决方案。

III. 相对状态估计框架

所提出的系统架构包括两个主要组件：一个中央服务器和一组机器人，如图2所示。具有团队中唯一标识的机器人设计为可以自由加入或退出协作优化。从激光雷达、IMU和UWB无线电收集原始数据，每个机器人执行LIO算法来估计其状态。在我们的实现中，我们采用了Fast-GICP方法的定制改编，用于扫描到地图匹配过程，借助其强度找到点的对应关系。里程计利用固定滞后平滑器，这是视觉SLAM中的一种流行方法，以在滑动窗口中高效解决状态估计问题。

处理每个激光雷达帧以计算和将因子纳入后端因子图被证明对服务器在计算和传输方面要求很高。为了缓解这一点，我们采用了关键帧选择的概念，用于实时非线性优化，通过保持相对稀疏的因子图来平衡地图密度和内存消耗。关键帧使用轻量级全局描述符Scan-Context++ [33]简洁地描述。这些关键帧、相对里程计和距离测量被传输到服务器。多地图闭环模块检测机器人轨迹中的重叠并报告闭环因子。里程计、距离和闭环因子利用梯度非凸性（GNC）[34]进行稳健的联合优化，以获得轨迹估计。生成上述因子的过程在以下部分中描述。

A. 单个机器人前端

1. IMU预积分因子：IMU预积分因子处理原始IMU测量，包括时间$t$的角速度$\tilde{w}$和线加速度$\tilde{a}$。管理这些测量的方程如下：

$$\begin{array}{rl}{\tilde{w}}_t& =w_t+b_t^w+n^w,b_t^w=n^{b^w}\\ {\tilde{a}}_t& =R_t^T(a_t-g)+b_t^a+n^a,b_t^a=n^{b^a}\end{array}\text{\hspace{1em}(1)}$$

其中$w$和$a$表示真实的角速度和线加速度，$n^w$和$n^a$是零均值高斯白噪声。陀螺仪偏差$b^w$和加速度计偏差$b^a$被建模为随机游走，由白高斯噪声$n^{b^w}$和$n^{b^a}$驱动。我们计算两个时间戳之间的相对体运动，类似于在[35]中介绍的IMU预积分方法。在两个帧之间具有时间偏移$\Delta t$的情况下，IMU预积分因子$r^l$可以表示为：

$$r_{t_i,t_j}^I=\left(\begin{array}{c}\Delta {\hat{R}}_{t_i,t_j}^T(R_{t_i}^T{R}_{t_j})\\ R_{t_i}^T(v_{t_j}-v_{t_i}-g\Delta t)-\Delta {\hat{v}}_{t_i,t_j}\\ R_{t_i}^T(p_{t_j}-p_{t_i}-v_{t_i}\Delta t-\frac{1}{2}g\Delta t^2)-\Delta {\hat{p}}_{t_i,t_j}\end{array}\right),\text{\hspace{1em}(2)}$$

其中$\hat{R}$、$\hat{p}$和$\hat{v}$表示估计的旋转、平移和速度。

2. 激光雷达里程计因子：假设一个新的激光雷达扫描$S$在时间$t$到达。先前预积分的IMU数据在时间$t$之前可以用来减轻由运动引起的扫描失真。值得注意的是，这个新的扫描$S$在机体坐标系中表示。生成激光雷达里程计因子的过程如下所述：

体素地图维护。我们不是优化连续扫描之间的变换，而是使用相应的姿态将历史扫描转换到地图坐标系，并计算每个扫描的扫描到地图的变换。由于全局估计优化引起的地图重建的高频率，我们采用经典的基于kd树的地图而不是增量地图。此外，为了节省计算资源，增加关键帧以在地图密度和内存消耗之间取得平衡。在我们的工作中，添加新关键帧的标准分别设置为位置和旋转变化阈值1米和0.2弧度。我们将地图以0.4米分辨率进行下采样，以有效管理计算资源。 扫描到地图匹配。我们通过原始点注册使用Fast-GICP方法将新到达的扫描$S$与地图$M$匹配，选择该方法是因为其在各种挑战环境中的计算效率和鲁棒性。为了快速收敛，我们使用IMU预积分预测的机器人运动作为扫描到地图匹配的初始变换。对于扫描$S$中的每个点$n$，我们根据位置和强度在地图$M$中识别其对应的点$m$。具体来说，受[36]中提出的两阶段点邻居搜索方法的启发，我们首先执行基于位置的k最近邻搜索。随后，使用前一步骤获得的邻近点进行基于强度的k最近邻搜索。这种双阶段过程使我们能够进一步收集具有相似几何形状和材料的点。此外，我们使用邻近点计算相应点的协方差矩阵$\Sigma$。扫描$S$和地图$M$之间的变换误差可以计算如下：

$$e=\frac{1}{N}\sum _{i=1}^N{w}_i\Vert \mathbf{R}\cdot {\mathbf{n}}_i+\mathbf{p}-{\mathbf{m}}_i{\Vert }^2,\text{\hspace{1em}(2)}$$

其中$N$是对应点集的数量，$\mathbf{R}$和$\mathbf{p}$是旋转矩阵和平移向量，用于将源点云变换以对齐目标点云，${\mathbf{m}}_i$和${\mathbf{n}}_i$分别是第$i$个对应的点，$w_i=({\Sigma }_{{\mathbf{m}}_i}+\mathbf{T}{\Sigma }_{{\mathbf{n}}_i}{\mathbf{T}}^T{)}^{-1}$是基于变换$\mathbf{T}=[\mathbf{R}|\mathbf{p}]$和点的协方差矩阵$\Sigma$的权重。我们计算最终的变换${\mathbf{T}}_f$，最小化变换误差$e$。随后，我们获得机器人状态${\mathbf{X}}_{t_i}$和${\mathbf{X}}_{t_j}$之间的相对变换$\Delta {\mathbf{X}}_{t_i,t_j}={\mathbf{X}}_{t_i}^{-1}{\mathbf{X}}_{t_j}={\mathbf{X}}_{t_i}^{-1}{\mathbf{T}}_f$，其中里程计测量值被建模为高斯噪声，表示为${\mathbf{Z}}_{t_i,t_j}^O=\Delta {\mathbf{X}}_{t_i,t_j}+\eta (0,{\Sigma }_O)$。

图 3. 前端里程计的结构，融合激光雷达和惯性测量单元数据。

导致以下里程计因子${\mathbf{r}}_{t_i,t_j}^O$：

$${\mathbf{r}}_{t_i,t_j}^O=({\mathbf{Z}}_{t_i,t_j}^O{)}^{-1}({\hat{\mathbf{X}}}_{t_i}{)}^{-1}{\hat{\mathbf{X}}}_{t_j},\text{\hspace{1em}(4)}$$

其中$\widehat{(\cdot )}$表示估计的状态。

如图3所示，前端在因子图优化框架中融合不同的测量数据，包括激光雷达里程计因子、IMU因子和先验因子（包括初始姿态和优化后的估计）。我们构建一个非线性最小二乘（NLS）问题：

$$\hat{\mathbf{X}}=\underset{\mathbf{X}}{\mathrm{argmin}}\left\{\sum _O\Vert {\mathbf{r}}^O{\Vert }^2+\sum _I\Vert {\mathbf{r}}^I{\Vert }^2+\Vert {\mathbf{r}}^P{\Vert }^2\right\},\text{\hspace{1em}(5)}$$

其中$O/I$是所有里程计/IMU测量的集合。

由于将每个里程计因子添加到图中在计算上是不可行的，因子图中的旧因子被边缘化以限制问题规模，这通过因子的重复线性化来解决。利用概率边缘化确保即使在测量和旧状态从滑动窗口中移除时，活跃状态的信息在优化中也得到了很好的保留。在实验中，我们使用基于iSAM2的固定滞后平滑器，通过包含十个关键帧的滑动窗口实现多源数据联合优化。

B. 群体定位

1. 闭环检测：为了在机器人的轨迹内和轨迹间建立额外的约束，我们采用闭环检测，利用全局描述符Scan-Context++ [33]。服务器维护一个从机器人传输的关键帧描述符的全局数据库，以实现机器人间的闭环检测。通过查询数据库以查找最近邻候选项来检测新的闭环，候选项需经过使用Fast-GICP的扫描到地图匹配。类似于方程(3)，机器人$\alpha$和$\beta$的相对姿态，由$\alpha {\mathbf{X}}_{t_i}$和$\beta {\mathbf{X}}_{t_m}$表示，在不同机器人之间或同一轨迹内检测到闭环时，通过最小化变换误差进行优化。如果适应度分数不超过阈值，则接受闭环。随后，我们获得$\alpha {\mathbf{X}}_{t_i}$和$\beta {\mathbf{X}}_{t_m}$之间的相对变换$\alpha \beta {\mathbf{Z}}_{t_i,t_m}^L$，以及具有高斯噪声的闭环测量，表示为$\alpha \beta {\mathbf{Z}}_{t_i,t_m}^L=(\alpha {\mathbf{X}}_{t_i}{)}^{-1}\beta {\mathbf{X}}_{t_m}+\eta (0,{\Sigma }_L)$。导致以下闭环因子${\mathbf{r}}^L$：

$$\alpha \beta {\mathbf{r}}_{t_i,t_m}^L=(\alpha \beta {\mathbf{Z}}_{t_i,t_m}^L{)}^{-1}(\alpha {\hat{\mathbf{X}}}_{t_i}{)}^{-1}\beta {\hat{\mathbf{X}}}_{t_m}.\text{\hspace{1em}(6)}$$

2. 成对距离测量：从UWB模块中，可以获得每对UWB节点之间的相对距离，表示为时间$t$的UWB距离测量${\mathbf{Z}}_t^U$，用高斯噪声建模，表示为$\alpha \beta {\mathbf{Z}}_t^U=\Vert \alpha {\mathbf{p}}_t-\beta {\mathbf{p}}_t{\Vert }^2+\eta (0,{\Sigma }_U)$。障碍物的遮挡通常导致UWB测量中出现显著的异常值。为了评估距离测量与前端产生的IMU里程计的一致性，我们考虑任何超过距离异常值阈值的测量，表示为$\alpha \beta {\mathbf{Z}}_t^U-(\alpha {\hat{\mathbf{p}}}_t-\beta {\hat{\mathbf{p}}}_t)<\sigma$作为异常值。注意IMU里程计的位置$\alpha {\hat{\mathbf{p}}}_t$和$\beta {\hat{\mathbf{p}}}_t$在同一框架中。我们将距离异常值阈值设置为0.2米，这是UWB测量预期误差的两倍。相对距离因子${\mathbf{r}}^{uwb}$如下：

$$\alpha \beta {\mathbf{r}}_t^U=\alpha \beta {\mathbf{Z}}_t^U-\Vert \alpha {\hat{\mathbf{p}}}_t-\beta {\hat{\mathbf{p}}}_t{\Vert }^2.\text{\hspace{1em}(7)}$$

图 4. CoLRIO后端的结构。激光雷达里程计、距离和闭环因子被引入到全局优化中。

3. 全局优化：如图4所示，需要解决的因素包括上述激光雷达里程计因子${\mathbf{r}}^O$、相对距离因子${\mathbf{r}}^U$、闭环因子${\mathbf{r}}^L$和一个先验因子${\mathbf{r}}^P$（其中一个机器人的初始姿态）。我们构建了以下NLS问题：

$$\hat{\mathbf{X}}=\underset{\mathbf{X}}{\mathrm{argmin}}\left\{\sum _{\mathcal{O}}\Vert {\mathbf{r}}^O{\Vert }^2+\sum _{\mathcal{U}}\Vert {\mathbf{r}}^U{\Vert }^2+\sum _{\mathcal{L}}\Vert {\mathbf{r}}^L{\Vert }^2+\Vert {\mathbf{r}}^P{\Vert }^2\right\},\text{\hspace{1em}(10)}$$

其中$\mathcal{O}/\mathcal{U}/\mathcal{L}$是所有关键里程计/距离/闭环测量的集合。为了增强我们服务器后端的鲁棒性和可靠性，我们无缝集成了两种异常值拒绝机制：成对一致性测量集最大化（PCM）[37]和GNC [34]。PCM审查机器人间闭环与其他里程计的一致性。同时，GNC与Levenberg-Marquardt一起工作，执行异常值鲁棒的因子图优化，提供轨迹估计并对未被PCM拒绝的机器人间（环路和距离）测量进行内点/外点判断。PCM和GNC都是使用GTSAM库实现的。

IV. 实验

1. 设置：本文中提出的所有实验结果都是基于对S3E数据集[38]的五个室内和室外序列以及在SYSU东部校园收集的六个数据集进行的性能比较得出的。我们利用机器人操作系统2（ROS2）[39]和一台配备Intel i7-10700K CPU和32GB DDR4 RAM的PC进行这些实验。表I总结了我们在后续实验中使用的数据集的关键特征。继承了S3E数据集中三个地面车辆的硬件，我们增加了一个LinkTrack P-B用于机器人间距离测量，将原始的1Hz实时运动学（RTK）系统升级为高频100Hz CHCNAV CGI-610 GNSS单元作为地面真实数据，以确保地面真实数据（特别是高程）的准确性和可靠性。请注意，AMOVLAB为地面车辆提供了一些设备。此外，CGI-610作为外部触发器，能够精确同步Xsens MTi-30 IMU和Velodyne VLP-16 Puck LiDAR系统。此外，它在通过GPS定时和同步维护机器人平台之间的同步系统时间方面发挥了重要作用。为了评估轨迹，我们使用evo [40]工具箱计算绝对平移误差（ATE）。对于室内S3E序列，仅比较初始和最终位置。

2) 数据集实验：为了全面评估我们前端里程计的准确性和鲁棒性，我们进行了比较分析，将提出的CoLRIO前端与最先进的里程计方法（如LIO-SAM和FAST-LIO2）在不同的数据集上进行对比。请注意，所有前端都利用集中式服务器来检测仅机器人内部的闭环，以减少里程计漂移并使用GNC优化轨迹。评估结果，特别是ATE，展示在表II中。图5(a)和5(b)展示了不同前端实现的轨迹。值得注意的是，Archway、Tunnel和S3E_Square序列不包括机器人内部的闭环。从表II中可以明显看出，CoLRIO前端始终优于包括LIO-SAM和FAST-LIO2在内的单机器人里程计方法，从而证明了其有效性。

3. 通信：为了量化所提出系统的带宽需求，我们在S3E和我们的校园数据集上（使用Velodyne VLP-16）进行了全面的网络流量分析。平均带宽利用率在表III中展示。在这种配置中，每个机器人与中央服务器通信。

由于其高效的直接注册利用原始点云，前端里程计可以无缝适应具有挑战性的环境条件。这使得即使在快速运动（S3E_Playground_2）、广泛的角旋转（Rotation）、长距离遍历（Large Loop）和室内（S3E Laboratory-1和S3E Laboratory-2）设置中，状态估计的精度也得到了增强。此外，关于计算成本，对于GICP算法的4个并行线程，每个机器人执行我们的前端，最大CPU使用率为17.4%，在Large Loop序列中每个帧平均需要50.03毫秒，突出了其在实时性能方面的有效性。总之，我们的前端展示了高效和精确的定位性能，为机器人群体场景中的联合优化奠定了基础。

为了进一步评估我们整个SLAM系统的精度和弹性，我们通过将提出的CoLRIO方法与Swarm-SLAM和DiSCo-SLAM在各种数据集上进行基准测试进行了比较分析。图5©和5(d)描绘了不同CSLAM系统实现的轨迹。在我们的实验中，我们观察到DiSCo-SLAM和Swarm-SLAM在特定序列中表现出令人满意的性能。然而，它们在大多数序列中合并所有子图时遇到了困难。基于实验观察，DiScO-SLAM的局限性可以归因于其闭环搜索模块的缺陷以及前端LIO-SAM缺乏鲁棒性。相比之下，Swarm-SLAM在前端RTAB-Map和闭环过程中表现出较高的CPU使用率。计算资源不足可能导致非实时里程计定位（小于1Hz），并显著影响闭环模块的性能。与DiSCo-SLAM和Swarm-SLAM不同，我们的CoLRIO方法在大多数序列上表现出非常有竞争力的性能，展示了其在不同环境中的鲁棒性。将CoLRIO与前端进行比较，我们在Large Loop、College（以长时间为特征）和Tunnel（以严重的感知别名为特征）中观察到性能的提高。这些进步主要归因于利用UWB无线电的距离测量，促进了鲁棒优化，并有效地消除了异常的闭环测量。在其他三个序列中，所有机器人都遵循前进轨迹，最终在特定点（Archway）相遇或在短途旅行后（Small Loop和Rotation）返回到它们的初始位置。尽管我们提出的系统合并了这些轨迹，但由于机器人间测量不足，它无法进一步减轻前端漂移。简而言之，所提出的CoLRIO框架展示了其在合并机器人团队的子图和在具有挑战性环境中的距离数据帮助下的鲁棒性方面的有效性。


以1到2赫兹的频率提供新的关键帧数据，这些数据包括组合里程计和距离测量。平均而言，这些关键帧消息的大小约为242.05 kB。相应地，服务器以1-2赫兹的类似频率范围与单个机器人通信。如表III所示，由三个机器人生成并传输到服务器的网络流量大约为600 kBps。LinkTrack P-B UWB模块和标准WiFi模块有效地管理这些数据传输。相比之下，我们实现中服务器到每个机器人的数据流量明显较低。这主要是因为只有必要的全局估计被共享以便于漂移校正。需要注意的是，对于更复杂的序列，传输数据将迅速增加，其中LIO生成了更多的关键帧。因此，系统的带宽对机器人团队的可扩展性施加了限制，使得部署包含数百个机器人的大规模群体系统变得具有挑战性。

4. 模拟：在本实验中，我们评估了我们提出的CoLRIO框架在涉及大量无人机团队的场景中的适用性。为了模拟目的，我们采用MARSIM [41]，使我们能够在充满环形和圆柱形障碍物的区域内协调10架无人机的飞行。这些无人机遵循的轨迹如图1所示，总共跨越100米并覆盖整个区域。CoLRIO产生的协作映射结果在图6中展示。当结合距离测量时，CoLRIO实现的平均ATE达到了令人称赞的0.23米。相比之下，没有距离测量的CoLRIO的ATE注册为0.32米。实验结果表明，所提出的CoLRIO框架可以扩展到一定规模的机器人群体。
   
   图 6. 从10架无人机在充满圆形和圆柱形障碍物的区域飞行中重建的CoLRIO地图。

V. 结论

本文介绍了CoLRIO，一个稳健且精确的协作SLAM框架。CoLRIO使多个机器人能够实时地从它们同时收集的数据中协作生成全局SLAM估计。我们广泛的实验强调了协作SLAM估计的准确性和鲁棒性，特别是在大规模多智能体任务中，我们展示了其有效性，最多有10个机器人同时为系统做出贡献。在未来的工作中，我们旨在扩展该系统的可扩展性，使其能够通过创新策略（如利用MARSIM模拟和采用分布式或去中心化结构）优雅地容纳数百个智能体。此外，我们致力于通过使用稳健的增量优化来增强系统对显著异常距离和闭环测量的鲁棒性。