以下的内容来源于徐浩博士的一个讲座。
Xu Hao(徐浩)
主要内容：
- 从无人机单机智能到无人机集群
- 用于无人机集群的去中心化视觉一惯性-UWB相对定位
- Omni-Swarm:具有全局一致性的去中心化全向视觉-惯性-UWB无人机集群状态估计
- 分布式协同SLAM(Distributed Collaborative SLAM)基础和BDPGO(平衡分布式位姿图优化)
- $D^2$SLAM:去中心化和分布式无人机协同定位与建图(CSLAM)系统
- 总结和未来工作
主要依托的软硬件情况：
集群通讯（规模大后很复杂）wifi信息广播，mesh网络路由
中心式，依赖中心 地面站
区分去中心化，分布式 去中心化，没有中心节点但需要 分布式，可以有中心节点，分担计算和探索
联合定位，相对定位（避障） （互相看到，可以实现相对定位精度提升） 全局一致性（地图）
单目初始化 刚开始需要合适运动
uwb超宽带通讯，脉冲 测距，无定向信息，精度10厘米左右内 容易被遮挡和电子干扰 粗略定位
wifi, ns级别 无线随意网络 (Wireless ad hoc network)
vins-fusion实时VIO作为基础
无人机集群，无人机间很相似
（uwb测量需要相对运动）在uwb的粗略定位上，使用yolov3来对无人机进行区分（识别，跟踪），结合视觉信息来使得定位达到几厘米定位误差。
VIO长时间会飘，导致无法全局一致性
Omni-Swarm, 鱼眼相机（上下两个，每个FOV大约235°）扩大观察范围，地面特征点来快速初始化和全局定位。
VIO: vins-fisheye mobileNetVLAD全局描述子(关键帧) Superpoint特征描述子 Faiss建立全局描述子数据库 视觉前端适合使用神经网络，后端进行图优化
RACER:去中心化多无人机系统的快速协作探索
Zhou Boyu（） realscene双目版本 优势：达到了精准的状态估计和全局一致性保障，基于地图的快速初始化 劣势：计算冗余，重复计算，对于大规模100架计算不过来 全局一致性（地图上使用），对于远距离的无人机间，具体是多远并不重要。
Distributed mapping with privacy and communication constraints.
BDPGO: balanced distributed pose graph optimization framework for swarm robotics 分布式优化，平衡计算量，计算时间优化
缺点：信息会有泄露
$D^2$SLAM: 无人机协作能力，拆分问题
传感器的尺寸大小重量和能源限制（SwaP）
近场状态估计（Near-field状态估计） 准确的相对状态估计，公共的视场，高带宽
离得远的时候不需要很高的相对定位精度，更重要的是全局地图一致性。
$D^2$VINS在长距离每个无人机都飘了，通过$D^2$PGO来进行相对距离判断
混合前端：例如草地场景，墙面（有一些纹理）
- superpoint用于多视角和多无人机间的匹配
- LK optical flow（光流）：避免在稀疏特征环境下的自身运动估计失败
如果特征点遇到稀疏时，退化到VIO，此时单机可以坚持几分钟（1分钟没问题）到特征密集的地方 （雷达：狭窄的管道）
节省带宽，使用全局描述子，离得很近时就可以频繁交换信息。
point consensus: 特征点共识：关键帧姿势被分成不相交的集合。地标点的状态在代理之间共享。 需要共享点的状态：1. 巨大的通信量。2. 不适合逆深度参数化。
摄像头共识：1. 地标点被分成不相交的集合。2. 摄像头状态在代理之间共享 3. 更低通的信需求。 不适用于VIO，可能会将姿态分割给其他无人机。如果通信中断，不够稳健！
增加观测一致性 -> 改进的相机共识:
- 使用发现时间来分区特征点: 去中心化
- 引入仅自我运动特征和IMU残留，以允许局部状态在局部求解器中具有副本。
- 通讯中断时，退化为单无人机VIO:飞行安全。
对于双目上的应用，当FOV重叠很差的时候，就会很差。（算力充裕的话，上机建议采用4目）
缺点：通讯问题，空中宽带资源宝贵（定向发送，跳频技术）
未来发展的方向：
- 大规模环境；
- 当前3-5实际测试，10仿真，100-1000架协调；
- 多相机，多机组合，机器传感协同.
其他问题
双目相机，3-5米能保证精度。
对于IMU的要求并不高（如6500）。（scale，高帧率的连续测量）
飞控NXT PX4 穿越机大电流的干扰 受到碳纤维的干扰，对imu进行滤波，尤其是高频。
无线电不太准，视觉比较准。
机器人研究的功底：
- 数学理论创新；
- 工程实现，故事讲明白；
- 实际验证，仿真到现实。
顶会，问题有价值，做了实验。 做了仿真，先扣一分，看理论创新方面。
