Resource-Efficient Decentralized Collaborative Simultaneous Localization And Mapping

La robotique collaborative possède un potentiel considérable pour transformer la société et de multiples secteurs en permettant aux systèmes autonomes d’exécuter des tâches difficiles, désagréables, ou tout simplement impossibles pour l’humain. À l’origine de ces capacités se trouve la Localisation et Cartographie Simultanées Collaborative (mieux connue sous le nom Collaborative Simultaneous Localization And Mapping ou son acronym C-SLAM), qui permet à plusieurs robots de cartographier leur environnement et de se localiser, que l’environment soit préalablement connu ou non, à l’intérieur ou l’extérieur, sous terre ou sous-marin, sur Terre ou sur Mars. Les cartes ainsi générées servent à explorer et inspecter des espaces inaccessibles aux humains, à analyser la traversabilité des terrains, ou encore à planifier et exécuter des tâches complexes avec plusieurs agents. Cette thèse apporte des contributions pour faire progresser le domaine du C-SLAM, en mettant l’accent sur l’amélioration de la précision, de la robustesse, de l’efficacité et de l’adaptabilité. Elle débute par une revue exhaustive de l’état de l’art, mettant en lumière les nombreux défis. À partir de ces observations, plusieurs cadriciels innovants sont proposés: Swarm-SLAM, un système C-SLAM décentralisé, optimisé pour les réseaux robotiques ad hoc; MOLD-SLAM, exploitant des larges modèles d’apprentissage pour fusionner des cartes avec peu de chevauchement entre elles; et PEOPLEx, qui applique les principes du SLAM pour améliorer la localisation des piétons. En complément, une technique de calibration de domaine auto-supervisée est proposée, visant à améliorer les performances du SLAM dans divers environnements sans nécessiter de réglages manuels. Les approches développées ont été évaluées lors d’expérimentations sur le terrain, incluant des essais sur un terrain analogue planétaire. Les résultats démontrent des améliorations en termes de précision de localisation, avec des réductions notables des besoins en mémoire, en calcul et en communication. Ces avancées rapprochent de la réalité le déploiement d’essaims robotiques à grande échelle, ouvrant la voie à de nombreuses nouvelles applications. La thèse se conclut par une réflexion sur les implications plus larges de ces contributions et des perspectives sur l’avenir du C-SLAM. Elle souligne l’importance de développer des approches résilientes et économes en ressources et insiste sur la nécessité d’encourager la reproductibilité scientifique afin de stimuler le progrès du domaine. À mesure que les systèmes autonomes évoluent, le C-SLAM jouera un rôle central en permettant aux robots de collaborer efficacement et de fonctionner de manière indépendante, favorisant ainsi des innovations à travers de nombreux secteurs industriels et sociétaux.

Abstract

Collaborative robotics has immense potential to transform society and multiple sectors by enabling autonomous systems to perform tasks that are difficult, unpleasant, or simply impossible for humans. At the core of this capability lies Collaborative Simultaneous Localization and Mapping (C-SLAM), which empowers multiple robots to collectively map and localize themselves within any space, whether known or unknown, indoor or outdoor, underground or underwater, on Earth or on Mars. The generated maps can be used to explore and inspect spaces unaccessible to humans, to analyse and infer terrain traversability, or to plan and execute complex multi-agent tasks. This thesis introduces several contributions to advance the field of collaborative SLAM (C-SLAM), with a focus on accuracy, robustness, resource efficiency, adaptability, and calibration. It begins with a comprehensive survey of the state of the art, identifying critical challenges and open research questions in C-SLAM. Building on these insights, a self-supervised domain calibration technique is introduced to enhance SLAM performance across diverse environments without requiring manual tuning. Swarm-SLAM is presented as a decentralized C-SLAM system designed for ad-hoc robotic networks. MOLD-SLAM leverages 3D foundation models to address the challenge of limited map overlap between collaborating robots in C-SLAM. Finally, PEOPLEx is introduced as a framework that applies SLAM principles to improve pedestrian positioning using consumer-grade hardware. The proposed techniques were thoroughly evaluated through both dataset and real-world field experiments, including trials on a planetary analogue terrain. The results demonstrate significant improvements in localization accuracy and resource efficiency, with notable reductions in memory, computational, and communication overhead. These advancements bring largescale collaborative robot swarms closer to practical deployment, unlocking new opportunities for real-world applications. The thesis concludes by discussing the broader implications of these contributions and offering an outlook on the future of C-SLAM research. It highlights the importance of resilient and resource-efficient approaches, as well as the need for open-source implementation and reproducibility to foster scientific progress. As autonomous systems continue to evolve, C-SLAM will be pivotal in enabling robots to operate collaboratively and independently, driving innovations across many industrial and societal domains.