旋转平均与位姿图 SLAM 中谱初始化的性能保证
机器人学
2022-01-12 v1
摘要
在这项工作中，我们提出了首批配备显式性能保证的初始化方法，适用于位姿图同步定位与建图（SLAM）和旋转平均（RA）问题。SLAM 和旋转平均通常被形式化为大规模非凸点估计问题，具有许多不良局部极小值，可能困住通常用于求解它们的平滑优化方法；因此标准 SLAM 和 RA 算法的性能关键取决于用于初始化该局部搜索的估计值的质量。尽管文献中出现了许多针对 SLAM 和 RA 的初始化方法，但这些通常作为纯启发式近似获得，难以确定这些技术是否（或在何种情况下）可以可靠部署。相反，在这项工作中我们通过谱松弛的视角研究初始化问题。具体而言，我们推导出 SLAM 和 RA 的一个简单谱松弛，其形式使我们能够利用经典线性代数技术（特征向量扰动界）来控制我们的谱估计与（未知）真实值以及估计问题全局极小化器之间的距离，作为测量噪声的函数。我们的结果揭示了测量网络的谱图论性质在控制估计精度中的关键作用；此外，作为我们分析的一个副产品，我们获得了 SLAM 和 RA 中最大似然估计器估计误差的新界，这很可能具有独立意义。最后，我们通过实验表明，我们的谱估计器在实践中非常有效，与现有最先进技术相比，以更低的计算成本产生相当或更优质量的初始化。
引用
@article{arxiv.2201.03773,
title = {Performance Guarantees for Spectral Initialization in Rotation Averaging and Pose-Graph SLAM},
author = {Kevin J. Doherty and David M. Rosen and John J. Leonard},
journal= {arXiv preprint arXiv:2201.03773},
year = {2022}
}