SLAM 點雲圖鑑Point clouds for construction
M-01 · 2022

Kimera-Multi

Kimera-Multi 是分散式多機器人度量語意 SLAM：各機器人以 Kimera-VIO（雙目與 IMU）估計軌跡並建立語意網格；相遇時交換詞袋描述子並做幾何驗證取得跨機迴圈；以分散式漸進非凸（D-GNC）穩健位姿圖最佳化剔除感知混淆造成的錯誤迴圈；最後以變形圖（deformation graph）依最佳化軌跡校正網格。

具全域修正的完整 SLAM近十年已讀全文同儕審查已出版全域一致性、場所辨識與長期建圖

閱讀版本
arXiv 2106.14386v2 (2021-12-17; accepted T-RO version); IEEE version of record not compared
全文取得途徑
arXiv 預印本
本頁內容

Kimera-Multi combines per-robot visual-inertial metric-semantic mapping with distributed place recognition, outlier-robust distributed PGO (D-GNC) and deformation-graph mesh correction.

技術屬性

欄位內容為文獻擷取紀錄的原文用語（英文），以原文為據；「未查證」表示本研究尚未讀到該資訊，不代表該方法不具備此能力。

感測輸入stereo images and IMU (Kimera-VIO input)、depth images from an RGB-D camera or from stereo matching, plus 2D semantic segmentation (Kimera-Semantics input)、outdoor experiments: forward-facing RealSense D435i RGBD camera and IMU on a Clearpath Jackal UGV
原文測試平台wheeled UGV (Clearpath Jackal; Medfield and MIT Stata outdoor datasets, three robots each)、EuRoC sequences split into three or five simulated robots (platform not described in the paper)、photo-realistic simulation (DCIST Medfield, City, Camp)
狀態估計per-robot Kimera-VIO; robust distributed pose-graph optimization via distributed graduated non-convexity (D-GNC) with RBCD solver
資料關聯DBoW2 bag-of-words place recognition with geometric verification (five-point / three-point RANSAC)
時間表示discrete poses (keyframes)
去畸變不適用
迴圈閉合intra- and inter-robot visual loop closures with outlier rejection by D-GNC
全域最佳化distributed robust PGO; mesh corrected by deformation graph
地圖表示metric-semantic 3D mesh
先驗資訊none
可輸出幾何semantically labelled 3D mesh and optimized trajectories
計算需求Runs online on a CPU (Sec. III); CPU model not reported. Robust distributed PGO (D-GNC) took 8.9 s to 43.2 s, 2.2 s to 9.1 s with early stopping, versus 1.7 s to 6.3 s for centralized GNC (Table II). Outdoor: Medfield pose graph of 15650 poses solved with 100 RBCD iterations in 53 s; Stata (11184 poses) 120 iterations in 50 s, or 2000 iterations in 14 min for a correct alignment (Sec. VII-C). Communication 24.4 MB to 145.7 MB per dataset versus 1226 MB to 3685 MB for centralized image transfer (Table II).

使用設備

原文使用的感測器、運算硬體與載具（equipment）。型號保留原文寫法，連結到設備頁中同一型號的歸併名稱；角色依原文用途分為方法輸入、資料集感測器、執行運算平台、參考或真值量測（reference or ground truth）與比較對象設備。

類別型號（原文寫法）角色資料集原文規格出處
慣性量測單元（IMU）IMU (model not named; listed together with the RealSense D435i)方法輸入Medfield and Stata outdoor datasets (authors' own)原文未報告(Tian et al., 2022, Sec. VII-C)
雙目相機stereo camera and IMU of the EuRoC dataset (models not named in the paper)資料集感測器EuRoC (Vicon Room 1, Vicon Room 2, Machine Hall)原文未報告(Tian et al., 2022, Sec. VII-B)
RGB-D 相機RealSense D435i RGBD Camera歸入：Intel RealSense D435I方法輸入Medfield and Stata outdoor datasets (authors' own)forward-facing(Tian et al., 2022, Sec. VII-C)
載具平台Clearpath Jackal UGV方法輸入Medfield and Stata outdoor datasets (authors' own)原文未報告(Tian et al., 2022, Sec. VII-C)

作者報告的優勢與限制

優勢

  • Rejects incorrect loops from perceptual aliasing while fully distributed (abstract)
  • Estimation errors comparable to centralized SLAM with low bandwidth (abstract)

限制

  • (inference) Visual-inertial only; no LiDAR geometry, so dense-mesh accuracy depends on stereo or RGB-D depth
  • With few inter-robot loop closures (Stata), default approximate D-GNC variable updates rejected the only inter-robot loop of robot 2 and misaligned its trajectory; correct alignment needed 2000 RBCD iterations (14 min) (Sec. VII-C, Fig. 14)
  • On Stata robot 1 the end-to-end error stayed large: 33.13 m for Kimera-Multi and 21.56 m for centralized GNC versus 24.19 m for Kimera-VIO (Table V)
  • Experiments assume robots are constantly within communication range; intermittent communication left to future work (Sec. VII-B)
  • Smaller communication savings on Machine Hall (five robots) because loose loop thresholds increase geometric-verification traffic (Sec. VII-B, Table II)
  • Mesh accuracy evaluated against ground truth only for EuRoC Vicon rooms and the simulator; outdoor datasets have end-to-end errors only (Sec. VII-B, VII-C)

營建工程相關證據

原文未報告（驗證場景為照片級模擬 Medfield、City、Camp，EuRoC 室內序列，以及 Medfield 州立醫院園區與 MIT Stata Center 周邊的戶外資料，Sec. VII；未含工地）。網格精度只在 EuRoC Vicon 室與模擬器以真值點雲或網格評估。其分散式穩健位姿圖與以變形圖校正網格的架構，可作為多台機器人分區掃描工地後合併地圖的參考（推論）。

原文驗證環境：模擬、公開基準

報告的性能數據

以下是原文作者報告的性能數值（author-reported results），不是本研究重新量測的結果。每張圖只並列同一個比較組（comparison group，同一張表、同一組實驗設定）內的方法；不同比較組之間的數值不可直接比較，也不構成排名。

本方法共出現在 4 個比較組，合計 44 筆紀錄。

Tian et al., 2022 · Table II 本方法 18 筆

表格設定（擷取紀錄原文）：Communication usage (total of place recognition, geometric verification and distributed PGO) versus centralized baselines transmitting images or keypoints, and runtime of the robust PGO solver; hardware not reported (Tian et al., 2022, Table II)

Runtime [sec] of robust PGO，DCIST simulation · Medfield

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Tian et al., 2022 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：s；場景：photo-realistic simulation, 3 robots

資料來源作者報告值(Tian et al., 2022, Table II)

數值與出處
方法（原文寫法）報告值出處
D-GNC distributed本方法原文提出29.2 s(Tian et al., 2022, Table II)
D-GNC distributed (ES)本方法原文提出5.9 s(Tian et al., 2022, Table II)
Centralized GNC4.4 s(Tian et al., 2022, Table II)

Tian et al., 2022 · Table I 本方法 12 筆

指標Absolute trajectory error (ATE) [m]

表格設定（擷取紀錄原文）：ATE in meters against ground truth for distributed trajectory estimators on Kimera-VIO odometry plus putative loops; fixed isotropic covariance (0.01 rad, 0.1 m); probability threshold 50%; statistic of the ATE not stated (Tian et al., 2022, Table I)

Absolute trajectory error (ATE) [m]，DCIST simulation · Medfield

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Tian et al., 2022 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：原文未報告；單位：m；場景：photo-realistic simulation, 3 robots

資料來源作者報告值(Tian et al., 2022, Table I)

數值與出處
方法（原文寫法）報告值出處
L2 (least squares, RBCD)64.2 m(Tian et al., 2022, Table I)
PCM12.5 m(Tian et al., 2022, Table I)
D-GNC (NI, naive initialization)57.4 m(Tian et al., 2022, Table I)
PCM + D-GNC4.64 m(Tian et al., 2022, Table I)
D-GNC本方法原文提出3.92 m(Tian et al., 2022, Table I)
D-GNC (ES, early stopping)本方法原文提出4.32 m(Tian et al., 2022, Table I)
Centralized GNC3.88 m(Tian et al., 2022, Table I)

Tian et al., 2022 · Table III 本方法 8 筆

指標Semantic label accuracy (%)

表格設定（擷取紀錄原文）：Semantic label accuracy of meshes against the simulator's ground-truth labels after ICP registration (Open3D) of meshes sampled at 10^3 points per m^2, before (Kimera-Semantics) and after local mesh optimization (LMO) (Tian et al., 2022, Table III)

Semantic label accuracy (%)，DCIST simulation · Camp Robot 0

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Tian et al., 2022 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：SE(3) 剛體對齊；單位：%；場景：photo-realistic simulation

資料來源作者報告值(Tian et al., 2022, Table III)

數值與出處
方法（原文寫法）報告值出處
Kimera-Semantics81.6%(Tian et al., 2022, Table III)
LMO (Kimera-Multi local mesh optimization)本方法原文提出96.2%(Tian et al., 2022, Table III)

Tian et al., 2022 · Table V 本方法 6 筆

指標end-to-end error [m]

表格設定（擷取紀錄原文）：Outdoor datasets without ground truth: each robot starts and ends at the same place; end-to-end position error; Kimera-Multi uses D-GNC (Stata with full variable updates), centralized uses GNC in GTSAM (Tian et al., 2022, Table V)

end-to-end error [m]，Medfield outdoor dataset (authors' own) · Robot 0 (600 m)

只並列這張表在相同設定下報告的方法；以「本方法：」開頭者為本頁方法。失敗、未執行與未報告以標記呈現，不是 0。

這些是 Tian et al., 2022 在此表設定下報告的數值（author-reported results），只能在同一個比較組內對照，不代表方法在其他資料或設定下的表現。

統計量：原文未報告；對齊方式：未對齊；單位：m；場景：outdoor campus with similar-looking scenes, Clearpath Jackal UGV

資料來源作者報告值(Tian et al., 2022, Table V)

數值與出處
方法（原文寫法）報告值出處
Kimera-VIO18.74 m(Tian et al., 2022, Table V)
Kimera-Multi本方法原文提出0.01 m(Tian et al., 2022, Table V)
Centralized0.01 m(Tian et al., 2022, Table V)

來源

  • Tian et al., 2022

    Yulun Tian, Yun Chang, Fernando Herrera Arias, Carlos Nieto-Granda, Jonathan P. How, Luca Carlone（2022）Kimera-Multi: Robust, Distributed, Dense Metric-Semantic SLAM for Multi-Robot SystemsIEEE Transactions on Robotics, 38(4):2022-2038

    DOI 10.1109/tro.2021.3137751arXiv 2106.14386程式碼

    同儕審查已出版已讀全文近十年

程式碼：https://github.com/MIT-SPARK/Kimera-Multi。有公開程式碼不等於已被重現，也不代表目前版本與論文版本相同。

回到方法圖鑑

SLAM 點雲圖鑑

本站為綜述論文《SLAM-Based Point Clouds for Construction: A Review》研究過程的互動說明文件。互動圖為教學模擬，不代表任何特定系統的實測表現；方法描述、數值與結論以所引原始文獻為準。

內容基準日 2026-09-25 · 研究與網站製作使用 AI 輔助工具，見 證據標記與方法

選擇開啟Esc關閉