实验平台包含三架无人机，每架无人机携带一个 Livox 激光雷达（无人机 1 和无人机 3 携带 Livox Mid360，无人机 2 携带 Livox Avia，具有较小的 FoV），一个 Pixhawk 飞行控制器（内置 BMI055 6 轴 IMU），一个英特尔 NUC 笔记本电脑，配备 i7-10710U CPU。每架无人机都附有反光带以便易于检测（见图 4）。对于每架无人机，激光雷达和 IMU 之间的时间偏移和外参通过 [31] 校准，不同无人机之间的时间事先基于网络时间协议（NTP）同步。所有无人机都使用模型预测控制 [11] 手动飞行。

图 4. 所提出的群体系统的无人机平台。由于无人机 1 的设备设置与无人机 3 相同，仅显示了无人机 3 的图片。

A. 室内飞行

在室内场景中进行了五次飞行，以定位精度。运动捕捉系统作为真实数据。就我们所知，对于基于 3D 激光雷达的状态估计系统，我们进行了消融研究，将我们方法的定位精度与 FAST-LIO2 进行比较，表中显示了位置 RMSE。对于携带 Livox Avia 激光雷达的无人机 2，由于其 $70.4^{\circ }$ 的 FoV 使得激光雷达更容易丢失特征，尤其是在室内场景中，观测测量可以提供准确的定位结果。对于携带 $360^{\circ }$ 激光雷达的无人机 3，有足够的点使 FAST-LIO2 工作良好。因此，在所有实验中，激光雷达的时间间隔是 L，该方法和 FAST-LIO2 的平均每次迭代时间消耗为 $17.5ms$，所提出的 Swarm-LIO 可以提高实时性，并且具有近似的计算效率（单架无人机的快速里程计）。

B. 退化环境飞行

第一个退化场景是表 I 中的数据 05，其中携带 Livox Avia 激光雷达的无人机 2 面对一个平滑的墙壁，这导致不足以确定完整状态的约束。结果，单智能体里程计 FAST-LIO2 完全退化，RMSE 很大。而对于所提出的群体系统，无人机 2 被其队友无人机 1 和无人机 3 观测（被动观测测量）。在 (6) 中融合从无人机 1 和无人机 3 传输的被动观测测量仍然可以导致稳定且准确的状态估计。点云地图和相互观测测量如图 5 所示。

第二个退化场景是一个平滑的立方体走廊。与平滑墙面相似，单个LiDAR的观测无法提供足够的约束来确定姿态，因此FAST-LIO2会出现漂移。而对于一个群体系统，当第一架无人机飞入走廊时，其他无人机仍然在入口处悬停（该处有足够的结构特征供其状态估计）并为第一架无人机提供被动观测测量。在第一架无人机穿过走廊后，它在尽头悬停，为其余无人机提供被动观测测量，使它们也能飞过走廊。因此，整个群体可以顺利穿过平滑走廊而不出现退化。从图6可以看出，所提出的方法对这种类型的退化场景具有鲁棒性，地图能够恢复比FAST-LIO2更多的结构细节。更多的视觉说明可以在我们的视频中找到。

图5. 退化平滑墙实验。图(a)和图(b)中的白点指当前输入点。(a) 无人机2的视图，采用FAST-LIO2构建的点云地图，出现严重漂移，地图混乱。(b) 无人机2的视图，采用所提出的方法融合被动观测测量b1与b2以及b3与b2构建的点云地图。黄色框表示队友无人机超出了视野，队友跟踪器通过融合队友传输的自我状态估计进行更新。© 三架无人机的图片。(d)(e) 无人机1和无人机3的视图及其对队友无人机的观测（蓝框）。

C. 去中心化部署

为了验证所提出的群体系统对观测丢失的鲁棒性以及全球外部变换的校准能力，进行了一项大规模去中心化探索实验。三架无人机随机放置在一座豪宅前，然后起飞。起飞后，它们进行了一些随机飞行，每架无人机自动检测、跟踪和识别彼此，无需任何先前的外部信息。之后，无人机向不同方向飞行，以探索不同区域。飞行结束后，每架无人机的点云地图可以使用估计的全球外部变换在离线状态下合并在一起。通过将无人机2和无人机3的点云地图转换到无人机1的全球坐标系中，合并的地图如图7所示。
一致的合并地图展示了在没有任何初始值的情况下准确进行全球外部估计的能力。另一个需要注意的点是，由于无人机在不同区域飞行，长时间内没有相互观测，例如，无人机2在没有相互观测的情况下的平均距离为88.58米。但即便如此，当队友无人机返回到无人机2的视野时，检测到的队友位置与队友跟踪器预测的位置（基于接收到的队友自我状态，见第III-D.1节）之间的误差仅为0.17米，这表明估计的全球外部变换具有很高的准确性。更多的视觉说明可在我们的视频中查看。