基于稀疏有界平方和规划的全局最优平面位姿图与路标 SLAM 保证
机器人学
2022-03-17 v2
摘要
自主导航需要环境的高精度模型或地图。尽管过去二十年的显著进展已实现了大规模 SLAM，现有方法大多依赖非线性优化技术来寻找机器人轨迹与周围环境的 MLE。这些方法易陷入局部极小，因而对初始化敏感。近年的若干论文开发了可证明所计算解的最优性的位姿图 SLAM 问题优化算法。尽管这并不先验保证该方法生成最优解，但最近的一个扩展表明，当噪声位于临界阈值内时，该优化算法的解保证最优。为解决现有方法的局限，本文阐明位姿图 SLAM 与路标 SLAM 可表述为 SOS 凸的多项式优化规划。本文随后描述了如何使用 Sparse-BSOS 层次结构在无初始化、无论噪声水平的情况下将位姿图与路标 SLAM 问题求解至全局最小。本文还经验性地阐明该层次结构在第二层即收敛。此外，本文阐明了该 Sparse-BSOS 层次结构如何在复域中实现，并经验性表明在该复域层次结构第二层亦收敛。最后，在具有数百个节点的图上，与现有 SLAM 方法相比，所提方法的优越性能得到了阐明。
引用
@article{arxiv.1809.07744,
title = {Guaranteed Globally Optimal Planar Pose Graph and Landmark SLAM via Sparse-Bounded Sums-of-Squares Programming},
author = {Joshua G. Mangelson and Jinsun Liu and Ryan M. Eustice and Ram Vasudevan},
journal= {arXiv preprint arXiv:1809.07744},
year = {2022}
}
备注
12 pages, 5 figures, Original Version Published in IEEE International Conference on Robotics and Automation