Barrier Method for Inequality Constrained Factor Graph Optimization with Application to Model Predictive Control

要約

因子グラフは、特にローカリゼーションとマッピングアプリケーションにおいて、ロボット認識タスクの顕著な効率を実証しています。
ただし、最適な制御問題、特にモデル予測制御（MPC）への適用は、制約処理の基本的な課題により、限られたままです。
このペーパーでは、広く採用されているG2Oフレームワークのオープンソース拡張として実装された因子グラフとバリア内インテリアポイント法（BIPM）と因子グラフの新しい統合を紹介します。
私たちのアプローチでは、対数バリア関数をコードする特殊な不等式因子ノードを導入し、それによって従来の因子グラフ製剤の二次形式の制限を克服します。
私たちの知る限り、これは統一された最適化バックエンド内で平等と不平等の制約の両方を効率的に処理できる最初のG2Oベースの実装です。
自動運転車用の多目的適応クルーズコントロールアプリケーションを使用して、この方法を検証します。
ベンチマークの最先端の制約処理手法との比較により、収束が速くなり、計算効率が向上します。
（コードリポジトリ：https：//github.com/snt-arg/bipm_g2o）

要約(オリジナル)

Factor graphs have demonstrated remarkable efficiency for robotic perception tasks, particularly in localization and mapping applications. However, their application to optimal control problems — especially Model Predictive Control (MPC) — has remained limited due to fundamental challenges in constraint handling. This paper presents a novel integration of the Barrier Interior Point Method (BIPM) with factor graphs, implemented as an open-source extension to the widely adopted g2o framework. Our approach introduces specialized inequality factor nodes that encode logarithmic barrier functions, thereby overcoming the quadratic-form limitations of conventional factor graph formulations. To the best of our knowledge, this is the first g2o-based implementation capable of efficiently handling both equality and inequality constraints within a unified optimization backend. We validate the method through a multi-objective adaptive cruise control application for autonomous vehicles. Benchmark comparisons with state-of-the-art constraint-handling techniques demonstrate faster convergence and improved computational efficiency. (Code repository: https://github.com/snt-arg/bipm_g2o)

arxiv情報

提供元, 利用サービス

arxiv.jp, Google