面向鲁棒空间感知的渐进非凸方法：从非最小求解器到全局离群值剔除
计算机视觉与模式识别
2020-06-15 v4 机器人学
最优化与控制
摘要
半定规划(SDP)与平方和(SOS)松弛已为若干机器人与计算机视觉问题带来了可证明最优的非最小求解器。然而，大多数非最小求解器依赖于最小二乘公式，因而对离群值脆弱。虽然恢复对离群值鲁棒性的标准方法是使用鲁棒代价函数，但后者通常引入其他非凸性，阻碍了现有非最小求解器的使用。本文中，我们通过提供一种可应用于任何在无离群值情形下存在非最小求解器的问题的通用鲁棒全局估计方法，实现了非最小求解器与鲁棒估计的同时使用。为此，我们利用鲁棒估计与离群值过程之间的 Black-Rangarajan 对偶（传统上应用于早期视觉问题），并表明渐进非凸(GNC)可与非最小求解器结合使用以计算鲁棒解，且无需初始猜测。尽管 GNC 的全局最优性无法保证，我们展示了所得鲁棒非最小求解器在点云与网格配准、位姿图优化以及基于图像的物体位姿估计（亦称形状对齐）等应用中的经验鲁棒性。我们的求解器对 70-80% 的离群值具有鲁棒性，优于 RANSAC，比专用局部求解器更准确，且比专用全局求解器更快。我们还提出了首个使用 SOS 松弛的形状对齐可证明最优非最小求解器。
引用
@article{arxiv.1909.08605,
title = {Graduated Non-Convexity for Robust Spatial Perception: From Non-Minimal Solvers to Global Outlier Rejection},
author = {Heng Yang and Pasquale Antonante and Vasileios Tzoumas and Luca Carlone},
journal= {arXiv preprint arXiv:1909.08605},
year = {2020}
}
备注
10 pages, 5 figures, published at IEEE Robotics and Automation Letters (RA-L), 2020, Best Paper Award in Robot Vision at ICRA 2020