农业复杂场景下多机器人协同框架

摘要：Citation:MA Nan, CAO Shanshan, BAI Tao, KONG Fantao, SUN Wei. Research Progress and Prospect of Multi-robot Collaborative SLAM in

本文节选自：

马楠, 曹姗姗, 白涛, 孔繁涛, 孙伟. 农业复杂场景下多机器人协同SLAM研究进展与展望[J]. 智慧农业(中英文), 2024, 6(6): 23-43.

Citation:MA Nan, CAO Shanshan, BAI Tao, KONG Fantao, SUN Wei. Research Progress and Prospect of Multi-robot Collaborative SLAM in Complex Agricultural Scenarios[J]. Smart Agriculture, 2024, 6(6): 23-43.

官网全文在线阅读

农业复杂场景下多机器人协同框架

多机器人协同框架是多机器人SLAM的重要组成部分。目前，大部分多机器人协同SLAM框架主要分为3种方式，分别为集中式、分布式和混合式。这三种协同框架的典型研究示例见图1。

图1 集中式、分布式和混合式多机器人协同框架示例

Fig. 1 Examples of centralized， distributed， and hybrid multi-robot coordination frameworks

图1中，集中式框架存在一个主机机器人，该主机具有整个系统的所有信息，这些信息都需要通过主机进行处理和整合，并且在主机上对任务进行分配，向各从机机器人发布命令，使各从机机器人协作完成任务；分布式框架中所有的机器人都可以作为一个主机机器人，各机器人之间是互相独立的。每个机器人都可以获得其他机器人的信息，并自主进行决策；混合式框架结合了集中式和分布式的优点，使得在考虑多类型无人机集群时，任务分配问题的解决更加合理。在农业领域选择合适的框架能够提升多机器人SLAM系统的效率和效益，推动农业生产的现代化和智能化发展。

目前，集中式框架包括协作同步定位与地图构建（Collaborative Simultaneous Localization and Mapping, CoSLAM）、协作与协同地图构建的同步定位与地图构建（Cooperative and Collaborative Mapping for Simultaneous Localization and Mapping, CCM-SLAM）、协作视觉惯性同步定位与地图构建（Collaborative Visual-Inertial Simultaneous Localization and Mapping, CVI-SLAM）、协作视觉惯性数据平滑（Collaborative Visual-Inertial Data Smoothing, CVIDS）、激光雷达和视觉里程计用于多机器人地图构建（LiDAR and Visual Odometry for Multi-Robot Mapping, LAMP 2.0）等；分布式框架包括基于 Kimera 的多机器人协同定位框架（Kimera for Multi-Robot SLAM, Kimera-Multi）、基于门的同步定位与地图构建（Door-based Simultaneous Localization and Mapping, Door-SLAM）、分布式同步定位与地图构建（Distributed Simultaneous Localization and Mapping, DiSCo-SLAM）、动态协作定位与地图构建（Dynamic Cooperative Localization and Mapping, DCL-SLAM）、基于群体的同步定位与地图构建（Swarm-based Simultaneous Localization and Mapping, Swarm-SLAM）等；混合框架包括云到地形自主地图构建（Cloud-to-Terrain Autonomous Mapping, C2TAM）、视觉里程计与物体地图构建（Visual Odometry and Object Mapping, VOOM）等，以下对比分析了这三种协同框架的多机器人协同SLAM技术要点及在农业领域的应用场景，如表1所示。

表1 农业多机器人SLAM框架

Table 1 Agricultural multi-robot SLAM framework

注：C为相机；L为LiDAR；I为IMU；UAV（Unmanned Aerial Vehicle）为无人机；UGV（Unmanned Ground Vehicle）为地面移动智能体；D为分布式；H为混合式；Ce为集中式；GM（Global Map）为全局地图；LM（Local Map）为局部地图；S为稀疏地图；De为稠密地图；/表示没有代码链接。

1 集中式

在集中式框架中，通常有一个中心节点负责接收来自各个机器人的传感器数据，然后进行数据融合和处理，中心节点将更新后的数据传输回每个机器人，帮助它们更好地完成分配的任务。为了获得更好的鲁棒性和准确性，Mur-Artal和Tardos提出了一种基于RGB-D摄像机的集中式多机器人协同SLAM系统，见图2a。当客户端机器人分别采集RGB-D图像数据并将数据传输到服务器时，服务器为每个客户端运行ORB-SLAM2视觉SLAM系统，并将实时地图数据储存在地图管理器中。地图融合主要根据共视关系连接双方的公共视图，并融合地图点。针对复杂、感知能力受限的大规模地下环境场景下SLAM鲁棒性低的问题，Chang等提出LAMP2.0，系统通过集成不同的里程计源和LiDAR配置，后端采用基于鲁棒位姿图优化方法提高系统的鲁棒性，见图2b。该框架对不同里程计源和LiDAR配置的适应性较高，以及在大规模地下环境中具有较强的可扩展性。存在的问题是集中式架构可能不适用于大规模机器人团队或间歇性通信受限的地下环境。

图2 集中式多机器人协同框架示例

Fig.2 Example of a centralized multi-robot cooperation framework

集中式框架的优势是能够确保所有机器人共享相同的地图和位置估计，从而提高整个系统的一致性；所有的数据处理和计算都集中在中心节点，简化了系统的管理和维护；中心节点可以执行全局优化算法，对所有机器人的位置和地图进行优化，从而提高整体的定位和地图质量。集中式框架的主要的局限是单点故障的风险，因为整个系统的核心在于中心节点，一旦该节点发生故障，整个系统可能因此瘫痪；集中式框架还受制于中心节点的处理能力，因为所有数据都必须传输到中心节点进行处理；在网络带宽受限或通信延迟较高的情况下，这可能会导致较大的通信开销，从而影响系统的实时性。

在农业领域集中框架适用于小规模农田作业和温室大棚管理，通过中央服务器统一协调和管理数据。但是，在户外大规模农机作业时，网络信号覆盖可能不均，这可能导致通信中断，进而影响系统的协同工作。因此，为了应对这些挑战，可能需要考虑采用分布式处理或边缘计算技术，以减少对中心节点的依赖，并提高系统的可靠性和性能。

2 分布式

分布式框架是指多个机器人在未知环境中移动，通过传感器数据进行自身位置估计和地图构建，并且能够通过分布式算法和通信协作，在不需要中心节点的情况下共享信息以提高定位和地图构建的准确性和效率。分布式框架的优势是不依赖于单一的中心节点，每个机器人都可以独立执行SLAM算法，从而提高了系统的鲁棒性和可扩展性；由于系统没有单点故障，因此分布式框架对于机器人的添加和移除更加灵活，并且具有较强的容错性。相比集中式框架，分布式框架不需要将所有数据传输到中心节点，减少了通信开销。但是，分布式框架的设计和实现较为复杂，存在分布式算法的复杂性问题，包括并行计算、数据同步，以及任务分配等方面，需要深入考虑整体架构和通信机制；由于每个机器人都在独立地进行SLAM计算，因此可能出现地图和位置估计的一致性问题，通过数据融合和协作优化等方式来确保地图和位置信息的一致性；另外，分布式框架还需要考虑通信负载均衡的问题，采用优化数据分发策略和节点选择算法等方面，以避免出现通信瓶颈或资源浪费的情况。

分布式框架在农业领域适合大规模牧场管理、远程或复杂地形作业，以及协同除草和植保任务，允许机器人独立处理数据并共享信息，提高系统鲁棒性。Tian等提出了Kimera-Multi，该系统是一个完全分布式的多机器人密集度量-语义SLAM系统，见图3a。该系统能够在有限的通信带宽下，实时构建全局一致的度量-语义3D网格模型，并且能够识别并拒绝由于感知别名造成的不正确的机器人间和机器人内部的闭环闭合。针对群体机器人通信依赖问题，Lajoie和BeltrameSwarm-SLAM，通过预算化的方法选择候选的机器人间闭环闭合，基于代数连通性最大化来减少数据交换，见图3b。该框架具有开源、可扩展、灵活、分散且稀疏的特点，与ROS 2兼容，并支持多种传感器类型。

图3 多机器人SLAM分布式框架示意图

Fig. 3 Illustration of the distributed framework for multi-robot SLAM

在放牧场景中，支持多个放牧机器人根据各自的位置和周边环境的情况，独立执行放牧管理任务，如监控牲畜的活动范围、检测牧草的生长情况等，同时与其他机器人共享这些数据以形成更全面的牧场态势感知；在山地、丘陵等复杂地形下，机器人通常面临着通信不畅和路径规划困难等问题。分布式系统允许每个机器人根据自己所感知的局部环境自主完成定位、导航和作业，而不依赖于中心服务器的全局指挥。支持机器人在通信中断时继续作业，并在恢复通信后将所收集的数据同步至系统，从而避免因网络中断导致的任务失败。

3 混合式

在混合式框架中，可以将多个机器人分为不同的群组，每个群组内的机器人可以采用分布式方式进行协同SLAM，而不同群组之间的通信和数据融合可以采用集中式方式进行。混合式框架既具有集中式框架的全局优化能力，又具有分布式框架的去中心化和容错性；可以根据具体的应用场景和需求，灵活地选择集中式或者分布式方式进行通信和数据融合，从而更好地适应不同的环境和系统需求。但是，混合式框架的设计和实现相对复杂，需要综合考虑集中式和分布式两种方式的特点和局限性，并且需要设计合适的通信和数据融合策略；还需要设计和实现适合于集中式和分布式环境的算法，对算法的设计和优化提出了更高的要求；此外，在混合式框架中，需要合理配置不同群组之间的通信和数据传输，避免通信开销过大或者数据不一致的问题。

在农业领域，混合框架适用于果园和葡萄园管理，混合框架能够很好地平衡机器人在局部环境下的自主操作和全局任务的协调需求。果园和葡萄园通常分布广泛，地形复杂，种植模式多样。在局部区域，支持机器人根据实际环境自主完成精确作业，如检测果实成熟度、判断是否需要修剪或喷洒农药等，而全局任务如作业规划、路径协调则由中央系统进行统一调度，确保机器人之间不会出现任务冲突或资源浪费；无人农场可以通过混合框架进行有效管理，中央系统可以对全局任务进行统筹管理，如分配资源、规划整体作业进度，而机器人则根据自身的任务需求自主决策并执行。在资源有限的情况下，动态调整机器人之间的任务分配，实现更高的灵活性和效率。

4 多机器人SLAM评价指标

多机器人SLAM的评价指标主要分为三类：准确性指标（Accuracy）、效率指标（Efficiency）和鲁棒性指标（Robustness）。准确性指标衡量系统估计的机器人位置和地图中关键点位置的精度，包括绝对轨迹误差（Absolute Trajectory Error, ATE）、均方根误差（Root Mean Square Error, RMSE）、相对位姿误差（Relative Pose Error, RPE），数值越低表明精度越高。效率指标评估SLAM系统的计算成本和内存使用情况，通常通过处理时间（Processing Time）、内存使用量（Memory Usage）和计算负载（Computation Load）来衡量，处理时间越短、内存占用越少表示系统效率越高。通信开销（Communication Overhead）则评估多机器人SLAM中各机器人之间的数据交换量。鲁棒性指标则考察系统在面对噪声数据和异常值时的表现（Handling Outliers），特别是能否有效地检测到回环闭合（Loop Closure Detection）、处理动态环境中的噪声干扰，以及多机器人SLAM中的地图融合能力（Map Merging），鲁棒性越强，系统在复杂环境中的表现越稳定。表2是多机器人SLAM在公开数据集下的评价指标。

表2 多机器人框架评价指标

Table 2Summary of the multi-robot framework

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。

发布征集