用于位姿图SLAM的谱测量稀疏化
机器人学
2022-03-29 v1
摘要
同步定位与建图（SLAM）是自主导航的一项关键能力，但为了使SLAM扩展到“终身”SLAM的场景，特别是在内存或计算约束下，机器人必须能够确定应保留哪些信息以及可以安全地遗忘哪些信息。在基于图的SLAM中，位姿图中的边数（测量值）决定了存储机器人观测值的内存需求以及用于利用这些观测值执行状态估计算法的计算开销；两者在长期导航过程中都可能无界增长。为此，我们提出了一种用于位姿图稀疏化的谱方法，该方法最大化稀疏化测量图的代数连通性，这是一个关键量，已被证明可控制位姿图SLAM解的估计误差。我们的算法MAC（意为“最大化代数连通性”）基于凸松弛，简单且计算开销小，并为其提供的解的质量提供正式的事后性能保证。在基准位姿图SLAM数据集上的实验中，我们表明与不考虑图连通性的基线方法相比，我们的方法快速产生高质量的稀疏化结果，保留了图的连通性，进而保留了相应SLAM解的质量。
引用
@article{arxiv.2203.13897,
title = {Spectral Measurement Sparsification for Pose-Graph SLAM},
author = {Kevin J. Doherty and David M. Rosen and John J. Leonard},
journal= {arXiv preprint arXiv:2203.13897},
year = {2022}
}
备注
Submitted to the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2022