In recent years, aerial swarm technology has developed rapidly. In order to accomplish a fully autonomous aerial swarm, a key technology is decentralized and distributed collaborative SLAM (CSLAM) for aerial swarms, which estimates the relative pose and the consistent global trajectories. In this paper, we propose $D^2$SLAM: a decentralized and distributed ($D^2$) collaborative SLAM algorithm. This algorithm has high local accuracy and global consistency, and the distributed architecture allows it to scale up. $D^2$SLAM covers swarm state estimation in two scenarios: near-field state estimation for high real-time accuracy at close range and far-field state estimation for globally consistent trajectories estimation at the long-range between UAVs. Distributed optimization algorithms are adopted as the backend to achieve the $D^2$ goal. $D^2$SLAM is robust to transient loss of communication, network delays, and other factors. Thanks to the flexible architecture, $D^2$SLAM has the potential of applying in various scenarios.

尽管使用多个无人机（UAV）具有快速自主探索的巨大潜力，但它的关注程度很少。在本文中，我们提出了赛车手，这是一种使用分散无人机的舰队的快速协作探索方法。为了有效派遣无人机，使用了基于在线HGRID空间分解的成对交互。它可确保仅使用异步和有限的通信同时探索不同的区域。此外，我们优化了未知空间的覆盖路径，并通过电容的车辆路由问题（CVRP）配方平衡分区到每个UAV的工作负载。鉴于任务分配，每个无人机都会不断更新覆盖路径，并逐步提取关键信息以支持探索计划。分层规划师可以找到探索路径，完善本地观点并生成序列的最小时间轨迹，以敏捷，安全地探索未知空间。对所提出的方法进行了广泛的评估，显示出较高的勘探效率，可伸缩性和对有限交流的鲁棒性。此外，我们第一次与现实世界中的多个无人机进行了完全分散的协作探索。我们将作为开源软件包发布实施。

作为自动驾驶系统的核心部分，运动计划已受到学术界和行业的广泛关注。但是，由于非体力学动力学，尤其是在存在非结构化的环境和动态障碍的情况下，没有能够有效的轨迹计划解决方案能够为空间周期关节优化。为了弥合差距，我们提出了一种多功能和实时轨迹优化方法，该方法可以在任意约束下使用完整的车辆模型生成高质量的可行轨迹。通过利用类似汽车的机器人的差异平坦性能，我们使用平坦的输出来分析所有可行性约束，以简化轨迹计划问题。此外，通过全尺寸多边形实现避免障碍物，以产生较少的保守轨迹，并具有安全保证，尤其是在紧密约束的空间中。我们通过最先进的方法介绍了全面的基准测试，这证明了所提出的方法在效率和轨迹质量方面的重要性。现实世界实验验证了我们算法的实用性。我们将发布我们的代码作为开源软件包，目的是参考研究社区。

近年来，移动机器人变得雄心勃勃，并在大规模场景中部署。作为对环境的高级理解，稀疏的骨骼图对更有效的全球计划有益。当前，现有的骨骼图生成解决方案受到了几个主要局限性，包括对不同地图表示的适应性不佳，对机器人检查轨迹的依赖和高计算开销。在本文中，我们提出了一种有效且柔性的算法，该算法生成轨迹独立的3D稀疏拓扑骨架图，捕获了自由空间的空间结构。在我们的方法中，采用了有效的射线采样和验证机制来找到独特的自由空间区域，这有助于骨架图顶点，并且在相邻的顶点作为边缘之间具有遍历性。周期形成方案还用于维持骨架图紧凑度。基准测试与最先进的作品的比较表明，我们的方法在较短的时间内生成稀疏的图形，从而提供了高质量的全球计划路径。在现实世界中进行的实验进一步验证了我们在现实情况下我们方法的能力。我们的方法将成为开源以使社区受益的开源。

如今，Multototors正在享受丰富类型的任务中的重要角色。在这些任务期间，进入狭窄的和狭窄的隧道，即人类几乎无法访问，对于多陆来说是非常具有挑战性的。受限制的空间和重要的自我气流扰动在快速和缓慢的飞行速度下诱导控制问题，同时引起国家估计和感知的问题。因此，安全隧道飞行需要适当速度的平滑轨迹。为了解决这些挑战，在这封信中，提供了一个完整的自主空中系统，可以通过尺寸窄到0.6米的隧道平稳地飞行。该系统包含一个运动规划器，它沿着隧道中心线产生平滑的Mini-Jerk轨迹，该隧道中心线根据地图和欧几里德距离场（EDF）提取，并且通过计算流体动力学（CFD）和飞行获得其实际速度范围数据分析。在四窄隧道内部进行了大量飞行实验，以验证规划框架以及整个系统的鲁棒性。

在合成代理与动态场景交互的先决条件中，识别独立移动对象的能力是特别重要的。然而，从应用角度来看，标准相机可能在积极的运动和挑战性的照明条件下显着恶化。相比之下，基于事件的相机作为一类新型的生物启发传感器，提供了应对这些挑战的优势。其快速响应和异步性质使其能够以完全相同的场景动态速率捕获视觉刺激。在本文中，我们呈现了一种级联的两级多模型拟合方法，用于用单眼事件相机识别独立移动的物体（即运动分段问题）。第一级利用了对事件特征的跟踪，并在渐进式多模型拟合方案下解决了特征聚类问题。用生成的运动模型实例初始化，第二级进一步通过时空图形切割方法解决了事件聚类问题。这种组合导致有效和准确的事件明智运动分段，不能单独使用任何一个。实验证明了我们在具有不同运动模式的现实场景中的方法的有效性和多功能性以及未知数量的独立移动物体。

交通参与者的运动预测对于安全和强大的自动化驾驶系统至关重要，特别是在杂乱的城市环境中。然而，由于复杂的道路拓扑以及其他代理的不确定意图，这是强大的挑战。在本文中，我们介绍了一种基于图形的轨迹预测网络，其命名为双级预测器（DSP），其以分层方式编码静态和动态驾驶环境。与基于光栅状地图或稀疏车道图的方法不同，我们将驾驶环境视为具有两层的图形，专注于几何和拓扑功能。图形神经网络（GNNS）应用于提取具有不同粒度级别的特征，随后通过基于关注的层间网络聚合，实现更好的本地全局特征融合。在最近的目标驱动的轨迹预测管道之后，提取了目标代理的高可能性的目标候选者，并在这些目标上产生预测的轨迹。由于提出的双尺度上下文融合网络，我们的DSP能够产生准确和人类的多模态轨迹。我们评估了大规模协会运动预测基准测试的提出方法，实现了有希望的结果，优于最近的最先进的方法。

分布式姿势图优化（DPGO）是群体机器人技术的基本技术之一。当前，DPGO的子问题是基于本机姿势的。我们的验证证明，这种方法可能会在现实世界中的子问题大小中引​​入不平衡，从而影响DPGO优化的速度，并可能增加通信要求。另外，当群体中的机器人失败或部分机器人断开时，不能保证估计姿势的连贯性。在本文中，我们提出了BDPGO，这是一个平衡的分布式姿势图优化框架，使用解耦机器人姿势和DPGO的想法。 BDPGO通过引入两阶段的图形分区方法来构建平衡的子问题，以平衡的方式将姿势图中的姿势重新分配给机器人群。我们的验证表明，BDPGO显着提高了优化速度，而无需更改现实数据集中DPGO的特定算法。更重要的是，我们还验证了BDPGO对机器人故障的强大，无线网络的变化。 BDPGO能够在这些情况下保持估计姿势的连贯性。该框架还有可能应用于其他协作同时定位和映射（CSLAM）问题，涉及分布式求解因子图。

去中心化的国家估计是GPS贬低的地区自动空中群体系统中最基本的组成部分之一，但它仍然是一个极具挑战性的研究主题。本文提出了Omni-swarm，一种分散的全向视觉惯性-UWB状态估计系统，用于解决这一研究利基市场。为了解决可观察性，复杂的初始化，准确性不足和缺乏全球一致性的问题，我们在Omni-warm中引入了全向感知前端。它由立体宽型摄像机和超宽带传感器，视觉惯性探测器，基于多无人机地图的本地化以及视觉无人机跟踪算法组成。前端的测量值与后端的基于图的优化融合在一起。所提出的方法可实现厘米级的相对状态估计精度，同时确保空中群中的全球一致性，这是实验结果证明的。此外，在没有任何外部设备的情况下，可以在全面的无人机间碰撞方面支持，表明全旋转的潜力是自动空中群的基础。

A monocular visual-inertial system (VINS), consisting of a camera and a low-cost inertial measurement unit (IMU), forms the minimum sensor suite for metric six degreesof-freedom (DOF) state estimation. However, the lack of direct distance measurement poses significant challenges in terms of IMU processing, estimator initialization, extrinsic calibration, and nonlinear optimization. In this work, we present VINS-Mono: a robust and versatile monocular visual-inertial state estimator. Our approach starts with a robust procedure for estimator initialization and failure recovery. A tightly-coupled, nonlinear optimization-based method is used to obtain high accuracy visual-inertial odometry by fusing pre-integrated IMU measurements and feature observations. A loop detection module, in combination with our tightly-coupled formulation, enables relocalization with minimum computation overhead. We additionally perform four degrees-of-freedom pose graph optimization to enforce global consistency. We validate the performance of our system on public datasets and real-world experiments and compare against other state-of-the-art algorithms. We also perform onboard closed-loop autonomous flight on the MAV platform and port the algorithm to an iOS-based demonstration. We highlight that the proposed work is a reliable, complete, and versatile system that is applicable for different applications that require high accuracy localization. We open source our implementations for both PCs 1 and iOS mobile devices 2 .