MAC：通过最大化代数连通性进行图稀疏化
机器人学
2024-08-05 v2
摘要
同步定位与地图构建是自主导航中的关键能力，但内存和计算限制使得常见SLAM技术的长期应用不切实际；机器人必须能够确定哪些信息应该保留，哪些可以安全地遗忘。在基于图的SLAM中，位姿图中的边（测量）数量决定了存储机器人观测的内存需求以及使用这些观测进行状态估计算法的计算开销，这两者在长期导航中可能无限增长。受这些挑战的启发，我们提出了一种新的通用图稀疏化方法，通过最大化代数连通性（一种关键的图谱性质，已被证明可以控制位姿图SLAM解的估计误差）来实现。我们的算法MAC（最大化代数连通性）简单且计算成本低，并且对其提供的解的质量具有形式化的后验性能保证。在应用于位姿图SLAM问题时，我们在几个基准数据集上展示了该方法能够快速产生高质量的稀疏化结果，保持图的连通性，进而保持相应SLAM解的质量。
引用
@article{arxiv.2403.19879,
title = {MAC: Graph Sparsification by Maximizing Algebraic Connectivity},
author = {Kevin Doherty and Alan Papalia and Yewei Huang and David Rosen and Brendan Englot and John Leonard},
journal= {arXiv preprint arXiv:2403.19879},
year = {2024}
}
备注
17 pages, 5 figures. Submitted to IEEE Transactions on Robotics. arXiv admin note: substantial text overlap with arXiv:2203.13897