Robots are playing an increasingly essential role in modern industry. SLAM (Simultaneous Localization and Mapping) is one of the critical technologies for robot to understand the environment and improve the automation level. In addition, multi-robot cooperation is becoming an interesting aspect to boost the efficiency of using robots.

This thesis aims to study multi-agent SLAM, which is a cross application of SLAM and multi-robot system. Two methods, namely general grid map merging method and multi-agent graph SLAM method, are developed to achieve multi-agent SLAM. For the general grid map merging method, Cartographer is used to generate local map for a single robot and then the map merging is employed to put the local maps generated by individual robots together for achieving a global map. For the multi-agent graph SLAM method, robots will send all the sensor data to the center server and the server employs the GTSAM algorithm to generate and optimize the pose graph, based on which the global map is then generated.

The two algorithms are implemented in ROS and are tested in Gazebo. Experiments are carried out to evaluate the performance of the two methods. The pose estimation accuracy obtained by the general grid map merging method is 2.45 cm on average, while that obtained by the multi-agent graph SLAM method is 11.86 cm on average with the application of GTSAM backend optimization. It has been proved that both solutions are feasible to achieve multi-agent SLAM.

Robotar spelar en allt viktigare roll i den moderna industrin. SLAM (Simultaneous Localization and Mapping) är en av de viktigaste teknikerna för att roboten ska kunna förstå miljön och förbättra automatiseringen. Samarbete mellan flera robotar blir dessutom en intressant aspekt för att öka effektiviteten i användningen av robotar.

Syftet med denna avhandling är att studera SLAM med flera agenter, vilket är en korstillämpning av SLAM och flerrobotsystem. Två metoder, nämligen en allmän metod för sammanslagning av rutnätskartor och en metod för SLAM av grafer för flera agenter, har utvecklats för att uppnå SLAM av flera agenter. För den allmänna kartfogningsmetoden används Cartographer för att generera lokala kartor för en enskild robot och sedan används kartfogning för att sammanföra de lokala kartor som genererats av enskilda robotar för att uppnå en global karta. För multi-agent graph SLAM-metoden skickar robotarna alla sensordata till centralservern och servern använder GTSAM-algoritmen för att generera och optimera poseringsgrafen, som sedan ligger till grund för den globala kartan.

De två algoritmerna implementeras i ROS och testas i Gazebo. Experiment utförs för att utvärdera de två metodernas prestanda. Den noggrannhet i poseskattningen som erhålls med den allmänna kartans sammanslagning av rutnätet är i genomsnitt 2,45 cm, medan den som erhålls med multiagentgrafens SLAM-metod är i genomsnitt 11,86 cm med tillämpning av GTSAM:s backendoptimering. Det har visat sig att båda lösningarna är genomförbara för att uppnå SLAM med flera agenter.