VIO has been widely used and researched to control and aid the automation of navigation of robots especially in the absence of absolute position measurements, such as GPS. However, when observable landmarks in the scene lie far away from the robot's sensor suite, as it is the case at high altitude flights, the fidelity of estimates and the observability of the metric scale degrades greatly for these methods. Aiming to tackle this issue, in this article, we employ two UAVs equipped with one monocular camera and one IMU each, to exploit their view overlap and relative distance measurements between them using UWB modules onboard to enable collaborative VIO. In particular, we propose a novel, distributed fusion scheme enabling the formation of a virtual stereo camera rig with adjustable baseline from the two UAVs. In order to control the \gls{uav} agents autonomously, we propose a decentralized collaborative estimation scheme, where each agent hold its own local map, achieving an average pose estimation latency of 11ms, while ensuring consistency of the agents' estimates via consensus based optimization. Following a thorough evaluation on photorealistic simulations, we demonstrate the effectiveness of the approach at high altitude flights of up to 160m, going significantly beyond the capabilities of state-of-the-art VIO methods. Finally, we show the advantage of actively adjusting the baseline on-the-fly over a fixed, target baseline, reducing the error in our experiments by a factor of two.

中文翻译：

---

来自两架无人机的分布式可变基线立体 SLAM

VIO 已被广泛用于控制和辅助机器人导航的自动化，尤其是在没有绝对位置测量（例如 GPS）的情况下。然而，当场景中的可观察地标远离机器人的传感器套件时，如在高空飞行中的情况，这些方法的估计保真度和度量尺度的可观察性会大大降低。为了解决这个问题，在本文中，我们使用了两架分别配备一个单目摄像头和一个 IMU 的无人机，利用机载 UWB 模块来利用它们之间的视图重叠和相对距离测量，以实现协作 VIO。特别是，我们提出了一种新颖的分布式融合方案，能够从两个无人机形成具有可调基线的虚拟立体相机装备。为了自主控制\gls{uav}代理，我们提出了一种分散的协同估计方案，其中每个代理持有自己的本地地图，实现了11ms的平均姿态估计延迟，同时通过基于共识的方式确保代理估计的一致性优化。在对逼真模拟进行全面评估之后，我们证明了该方法在高达 160m 的高空飞行中的有效性，大大超出了最先进的 VIO 方法的能力。最后，我们展示了在固定的目标基线上动态调整基线的优势，将我们实验中的误差减少了两倍。实现 11 毫秒的平均姿势估计延迟，同时通过基于共识的优化确保代理估计的一致性。在对逼真模拟进行全面评估之后，我们证明了该方法在高达 160m 的高空飞行中的有效性，大大超出了最先进的 VIO 方法的能力。最后，我们展示了在固定的目标基线上动态调整基线的优势，将我们实验中的误差减少了两倍。实现 11 毫秒的平均姿势估计延迟，同时通过基于共识的优化确保代理估计的一致性。在对逼真模拟进行全面评估后，我们证明了该方法在高达 160m 的高空飞行中的有效性，大大超出了最先进的 VIO 方法的能力。最后，我们展示了在固定的目标基线上动态调整基线的优势，将我们实验中的误差减少了两倍。大大超出了最先进的 VIO 方法的能力。最后，我们展示了在固定的目标基线上动态调整基线的优势，将我们实验中的误差减少了两倍。大大超出了最先进的 VIO 方法的能力。最后，我们展示了在固定的目标基线上动态调整基线的优势，将我们实验中的误差减少了两倍。