Asynchronous Distributed Smoothing and Mapping via On-Manifold Consensus ADMM

要約

このペーパーでは、Consensus Simultaneous Localization and Mapping (CSLAM) のための完全分散型、非同期型、汎用の最適化アルゴリズムを紹介します。
マルチロボット チームでは、エージェントが自分の状態だけでなく、チーム内の他のロボットの状態に対してタイムリーかつ正確な解決策を得る必要があります。
このソリューションを最適化するために、MESA (Manifold, Edge-based, Separable ADMM) と呼ばれるコンセンサス ADMM に基づいた CSLAM バックエンドを開発します。
MESA は、個々のロボットの障害を許容するために完全に分散され、実際のネットワーク条件を許容するために非同期であり、あらゆる CSLAM 問題定式化を処理するために汎用的です。
MESA が既存の最先端の CSLAM バックエンド オプティマイザーと比較して優れた収束率と精度を示すことを実証します。

要約(オリジナル)

In this paper we present a fully distributed, asynchronous, and general purpose optimization algorithm for Consensus Simultaneous Localization and Mapping (CSLAM). Multi-robot teams require that agents have timely and accurate solutions to their state as well as the states of the other robots in the team. To optimize this solution we develop a CSLAM back-end based on Consensus ADMM called MESA (Manifold, Edge-based, Separable ADMM). MESA is fully distributed to tolerate failures of individual robots, asynchronous to tolerate practical network conditions, and general purpose to handle any CSLAM problem formulation. We demonstrate that MESA exhibits superior convergence rates and accuracy compare to existing state-of-the art CSLAM back-end optimizers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google