鲁棒离群值估计：计算困难性、最小调参算法与应用
计算机视觉与模式识别
2021-07-05 v3 机器人学
摘要
机器人与视觉中的非线性估计通常受错误数据关联或信号处理与机器学习方法错误检测所带来的离群值困扰。本文提出两种统一的鲁棒离群值估计形式：广义最大一致（G-MC）与广义截断最小二乘（G-TLS），并研究其根本极限、实用算法与应用。我们的首要贡献是证明鲁棒离群值估计不可近似：在最坏情况下，即便使用慢于多项式时间的算法（特别是准多项式时间算法），也无法（甚至近似地）找出离群值集合。作为第二贡献，我们回顾并扩展两种通用算法。第一种自适应裁剪（ADAPT）为组合方法，适用于 G-MC；第二种渐进非凸（GNC）基于同伦方法，适用于 G-TLS。我们将 ADAPT 与 GNC 扩展至用户不具备内点噪声统计先验（或统计可能随时间变化）且无法猜测合理阈值以区分内点与离群值（如 RANSAC 中常用者）的情形。我们提出首个最小调参的离群值剔除算法，可动态决定如何分离内点与离群值。第三贡献是在机器人感知问题上评估所提算法：网格配准、基于图像的物体检测（形状对齐）与位姿图优化。ADAPT 与 GNC 实时运行、确定性强、优于 RANSAC，并在高达 80-90% 离群值下保持鲁棒。其最小调参版本亦优于现有最优方法，尽管不依赖内点噪声界。
引用
@article{arxiv.2007.15109,
title = {Outlier-Robust Estimation: Hardness, Minimally Tuned Algorithms, and Applications},
author = {Pasquale Antonante and Vasileios Tzoumas and Heng Yang and Luca Carlone},
journal= {arXiv preprint arXiv:2007.15109},
year = {2021}
}