CLIPPER：无需初始猜测的鲁棒数据关联
机器人学
2024-02-13 v1 机器学习
摘要
在噪声数据中识别对应关系是估计过程中至关重要的一步。当存在信息丰富的初始估计猜测时，数据关联的挑战性会降低；然而，在大多数情况下，高质量的初始猜测很少存在。我们探索了不需要初始估计猜测的数据关联的图论公式。现有的图论方法在无权图上进行优化，丢弃了编码在加权边中的重要一致性信息，并且经常试图精确解决NP难问题。相比之下，我们构建了一个新的优化问题，该问题充分利用了加权图，并寻求最稠密的边加权团。我们为该问题引入了两种松弛：一种是我们发现经验上紧致的凸半定松弛，另一种是名为CLIPPER的快速一阶算法，该算法常在毫秒级时间内达到接近最优的解。在点云配准问题上进行评估时，我们的算法在至少95%的离群点率下仍保持鲁棒性，而现有算法在80%的离群点率时便开始失效。代码可在 https://mit-acl.github.io/clipper 获取。
引用
@article{arxiv.2402.07284,
title = {CLIPPER: Robust Data Association without an Initial Guess},
author = {Parker C. Lusk and Jonathan P. How},
journal= {arXiv preprint arXiv:2402.07284},
year = {2024}
}
备注
8 pages, 4 figures, accepted to RA-L