Efficient Graduated Non-Convexity for Pose Graph Optimization

要約

私たちは段階的非凸性 (GNC) に対する新しいアプローチを提案し、SLAM バックエンドの重要なコンポーネントであるロバストなポーズ グラフ最適化への適用を通じてその有効性を実証します。
従来の GNC 手法は、多くの場合、GNC スケジュールのヒューリスティック手法に依存し、非凸性をエスカレートするために制御パラメータ {\mu} を更新します。
対照的に、私たちのアプローチは、凸関数と凸最適化の特性を利用して、それを超えると凸性が保証されなくなる境界点を特定することで、既存の方法論における冗長な最適化ステップを排除し、速度とロバスト性の両方を向上させます。
GNC を介したロバストなバックエンド ポーズ グラフ最適化に使用した場合、私たちの方法が速度と精度の点で最先端の方法よりも優れていることを示します。
私たちの取り組みは、オープンソースの riSAM フレームワークに基づいて構築され、強化されています。
私たちの実装には https://github.com/SNU-DLLAB/EGNC-PGO からアクセスできます。

要約(オリジナル)

We propose a novel approach to Graduated Non-Convexity (GNC) and demonstrate its efficacy through its application in robust pose graph optimization, a key component in SLAM backends. Traditional GNC methods often rely on heuristic methods for GNC schedule, updating control parameter {\mu} for escalating the non-convexity. In contrast, our approach leverages the properties of convex functions and convex optimization to identify the boundary points beyond which convexity is no longer guaranteed, thereby eliminating redundant optimization steps in existing methodologies and enhancing both speed and robustness. We show that our method outperforms the state-of-the-art method in terms of speed and accuracy when used for robust back-end pose graph optimization via GNC. Our work builds upon and enhances the open-source riSAM framework. Our implementation can be accessed from: https://github.com/SNU-DLLAB/EGNC-PGO

arxiv情報

提供元, 利用サービス

arxiv.jp, Google