A Decoupled and Linear Framework for Global Outlier Rejection over Planar Pose Graph

要約

ループ クロージャ外れ値によって汚染された平面ポーズ グラフ最適化のための堅牢なフレームワークを提案します。
私たちのフレームワークは、最初に切り捨てられた最小二乗カーネルによってラップされた堅牢な PGO 問題を 2 つのサブ問題に分離することによって、外れ値を拒否します。
次に、フレームワークは線形角度表現を導入して、最初に回転行列で定式化された最初のサブ問題を書き換えます。
このフレームワークは、段階的非凸性 (GNC) アルゴリズムを使用して構成され、最初の推測なしで 2 つの非凸部分問題を連続して解決します。
両方のサブ問題の線形特性のおかげで、GNC で発生した最適化問題を最適に解決するために、フレームワークは線形ソルバーのみを必要とします。
平面 PGO ベンチマークで、DEGNC-LAF (DEcoupled Graduated Non-Convexity with Linear Angle Formulation) という名前の提案されたフレームワークを広範に検証します。
標準および汎用の GNC よりも大幅に (場合によっては 30 倍以上) 高速に実行され、高品質の見積もりが得られることがわかりました。

要約(オリジナル)

We propose a robust framework for the planar pose graph optimization contaminated by loop closure outliers. Our framework rejects outliers by first decoupling the robust PGO problem wrapped by a Truncated Least Squares kernel into two subproblems. Then, the framework introduces a linear angle representation to rewrite the first subproblem that is originally formulated with rotation matrices. The framework is configured with the Graduated Non-Convexity (GNC) algorithm to solve the two non-convex subproblems in succession without initial guesses. Thanks to the linearity properties of both the subproblems, our framework requires only linear solvers to optimally solve the optimization problems encountered in GNC. We extensively validate the proposed framework, named DEGNC-LAF (DEcoupled Graduated Non-Convexity with Linear Angle Formulation) in planar PGO benchmarks. It turns out that it runs significantly (sometimes up to over 30 times) faster than the standard and general-purpose GNC while resulting in high-quality estimates.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google