Para superar las limitaciones en el rendimiento de percepción de robots individuales y equipos de robots homogéneos, este documento presenta un método colaborativo de SLAM multi-robot distribuido basado en la cooperación entre dominios aéreo y terrestre. Al integrar datos de percepción ambiental de equipos de UAV y UGV en los dominios aéreo y terrestre, este método permite un posicionamiento y mapeo autónomos más eficientes, robustos y globalmente consistentes. Primero, para abordar el desafío de las diferencias significativas en el campo de visión entre UAV y UGV, que complican la obtención de una comprensión ambiental unificada, este documento propone un método de registro iterativo basado en la asistencia de características semánticas y geométricas. Este método calcula la probabilidad de correspondencia de los fotogramas clave de cierre de bucle aéreo-terrestre utilizando estas características e itera para calcular el ángulo de rotación y el vector de traducción para determinar la matriz de transformación de coordenadas. La matriz resultante proporciona una fuerte inicialización para la optimización de backend, lo que ayuda a reducir significativamente los errores de estimación de pose global. A continuación, para superar las dificultades de convergencia y la alta complejidad computacional de la optimización de gráficos de pose no lineales distribuidos a gran escala, este documento introduce un método DPGO de maximización-minimización de particionamiento multinivel que incorpora optimización de núcleo de pérdida. Este método construye un subgrafo de pose equilibrado y multinivel basado en el grado de acoplamiento de los nodos de robot. Luego, utiliza la función de sustitución de minimización de la optimización de núcleo de pérdida no trivial para converger gradualmente el problema de optimización de gráficos de pose distribuidos a un punto crítico de primer orden, mejorando así significativamente la precisión de la estimación de pose global. Finalmente, los resultados experimentales en conjuntos de datos de referencia de SLAM y el conjunto de datos GRACO demuestran que el método propuesto integra eficazmente la información de características ambientales de equipos de UAV y UGV en dominios cruzados, logrando una estimación de pose global de alta precisión y construcción de mapas.