这篇文章介绍了一种基于边缘-云协同计算的SLAM算法。SLAM（Simultaneous Localization and Mapping）是一项计算密集型任务，移动机器人往往难以同时满足SLAM过程的实时性和准确性要求。随着网络数据传输速率的快速增长，云计算技术开始应用于机器人领域。然而，仅依赖云计算存在可靠性问题。为了弥补边缘计算能力不足，保证实时性和可靠性，并提高准确性，本文提出了一种基于边缘-云协同计算的SLAM算法。该算法利用边缘计算使用平方根无迹卡尔曼滤波（SR-UKF）估计移动机器人的姿态和局部地图。云端利用分布式平方根无迹粒子滤波（DSR-UPF）估计移动机器人的姿态和全局地图。通过在云端使用足够的粒子，DSR-UPF可以提高SLAM的准确性。云端将具有最大后验概率的粒子返回给边缘，边缘根据概率进行边缘-云数据融合。仿真和实验结果表明，该算法可以同时提高估计准确性和减少执行时间。通过将重计算任务从机器人转移到云端，可以增强移动机器人的环境适应性。边缘-云协同计算的优势包括提高计算能力和存储容量、提高实时性和可靠性、降低能耗和成本等。

Basic Information:

Title: A SLAM Algorithm Based on Edge-Cloud Collaborative Computing (基于边缘云协同计算的SLAM算法)
Authors: Taizhi Lv, Juan Zhang, Yong Chen
Affiliation: School of Information Technology, Jiangsu Maritime Institute, Nanjing, China (江苏海洋学院信息技术学院, 南京, 中国)
Keywords: SLAM, edge-cloud computing, robotics, real-time performance, accuracy
URLs: Paper, [GitHub: None]

论文简要 :

该研究提出了一种基于边缘云协同计算的SLAM算法，通过边缘和云端协同工作，提高了SLAM的实时性和准确性。

背景信息:

论文背景: 自主导航技术自21世纪初开始受到越来越多的关注，SLAM作为实现自主导航的关键技术，在无人车辆、无人潜艇、无人飞行器等领域得到广泛应用。
过去方案: 传统的SLAM算法依赖于机器人携带的移动计算资源，限制了移动机器人实时性能的提升。
论文的Motivation: 随着云计算技术的发展，研究人员开始将云技术应用于机器人领域，以解决移动机器人SLAM过程中的计算不足和负担问题。

方法:

a. 理论背景:
- 该研究提出的SLAM算法基于边缘-云协同计算。边缘使用平方根无迹卡尔曼滤波器（SR-UKF）估计移动机器人的姿态和局部地图，而云使用分布式平方根无迹粒子滤波器（DSR-UPF）估计移动机器人的姿态和全局地图。云根据概率将具有最高后验概率的粒子返回给边缘，以进行基于概率的边缘-云数据融合。该方法旨在通过将繁重的计算从机器人转移到云端，提高估计精度，减少执行时间，并增强移动机器人的环境适应性。
b. 技术路线:
- 边缘使用SR-UKF进行实时SLAM计算，云端使用DSR-UPF进行循环检测、分布式SLAM计算和先验知识校正。边缘和云端的结果被融合以更新移动机器人的状态并保存局部和全局地图信息。云端的流程包括消息接收、并行计算、粒子组合、计算结果传输、重采样和全局地图存储。

结果:

a. 详细的实验设置:
- 实验设置涉及在云端使用DSR-UPF通过流计算构建全局地图，而边缘使用SR-UKF构建局部地图以实现快速SLAM计算。边缘和云端之间的协同架构确保实时性能、准确性和效率。流计算具有低延迟和高实时性能，增强了云计算框架，而DSR-UPF中的分布式并行计算通过利用足够的粒子来提高执行性能和准确性。
b. 详细的实验结果:
- 实验结果表明，该算法在估计精度和执行时间上均有所改善。通过利用边缘-云协同计算，该算法相比传统基于云的SLAM算法确保了实时性能、准确性和效率。使用SR-UKF构建局部地图通过关注最近观测到的地标来减少计算量。此外，云端的DSR-UPF通过分布式并行计算和准确的粒子采样提高了执行性能和准确性。

Note:

本总结源自于LLM的总结，请注意数据判别. Power by ChatPaper. End.

这幅图片展示了与贝叶斯滤波相关的一系列方程，贝叶斯滤波是一种用于随时间顺序估计动态系统状态的概率工具。贝叶斯滤波在机器人技术、经济学和信号处理等领域被广泛应用，用于跟踪和导航等任务。

让我为您澄清每个组成部分：

$ P(xt | z{1:t}, u{1:t}) \propto $ - 这代表时间 $ t $ 时的后验分布，根据观测到的测量序列 $ z{1:t} $ 和控制输入 $ u_{1:t} $ 估计状态 $ x_t $。符号 $ \propto $ 表示成比例，说明左侧的量可以通过对右侧的乘积进行归一化得到。
$ p(z_t | x_t) $ - 这是观测模型，表示在给定状态 $ x_t $ 的情况下观测到 $ z_t $ 的可能性。它描述了测量与系统状态之间的关系。
$ \int p(xt | x{t-1}, ut) P(x{t-1} | z{1:t-1}, u{1:t-1}) dx{t-1} $ - 这是一个积分，表达了在观测到 $ z_t $ 之前如何结合时间 $ t-1 $ 时状态的先验信念（最右侧项）和运动模型（左侧项）来预测新的状态。运动模型 $ p(x_t | x{t-1}, u_t) $ 定义了系统状态由于控制输入 $ u_t $ 而随时间演变的方式，积分实际上对 $ t-1 $ 时刻的所有可能状态进行平均，以产生时间 $ t $ 时刻的状态预测。