[論文レビュー] Bayesian Pose Graph Optimization via Bingham Distributions and Tempered Geodesic MCMC

Tolga Birdal, Umut Şimşekli+2 more|arXiv (Cornell University)|May 31, 2018

Robotics and Sensor-Based Localization参考文献 68被引用数 21

ひとこと要約

本稿では、回転にビンギング分布、並進に多変量正規分布を用いた、ベイジアンポーズグラフ最適化の新規手法を提案する。さらに、温度調整付き測地的MCMC（TG-MCMC）アルゴリズムを組み合わせることで、クaternion多様体上でのグローバル最適化と不確実性の定量化を両立する。この手法は、最先端の初期化品質を達成し、データ品質と相関する信頼性の高い不確実性推定を提供する。同時に、競争力ある実行時間と、その後続のバンドル調整の大幅な高速化を実現する。

ABSTRACT

We introduce Tempered Geodesic Markov Chain Monte Carlo (TG-MCMC) algorithm for initializing pose graph optimization problems, arising in various scenarios such as SFM (structure from motion) or SLAM (simultaneous localization and mapping). TG-MCMC is first of its kind as it unites asymptotically global non-convex optimization on the spherical manifold of quaternions with posterior sampling, in order to provide both reliable initial poses and uncertainty estimates that are informative about the quality of individual solutions. We devise rigorous theoretical convergence guarantees for our method and extensively evaluate it on synthetic and real benchmark datasets. Besides its elegance in formulation and theory, we show that our method is robust to missing data, noise and the estimated uncertainties capture intuitive properties of the data.

研究の動機と目的

• SLAMおよびSfMパイプラインにおいて、ポーズグラフ最適化（PGO）の初期化における不確実性の定量化の欠如に対処すること。
• 計算コストの高いバンドル調整に依存せずに、高品質な初期ポーズと情報性のある不確実性推定を提供する手法を開発すること。
• クォータニオン多様体上のグローバル非凸最適化と、新規のMCMCアルゴリズムによる事後分布サンプリングを統合すること。
• 提案された温度調整付き測地的MCMC（TG-MCMC）フレームワークに対する理論的収束保証を提供すること。
• 合成および実世界のベンチマークにおいて、ノイズ、欠損データ、異なるグラフ接続性に対する耐性を評価すること。

提案手法

• 回転を3次元球面（S^3）上のビンギング分布で、並進を多変量正規分布でモデル化することで、相対ポーズ測定値の整合性のある確率的モデリングを可能にする。
• クォータニオン多様体上の既知の測地的フローを活用し、効率的なサンプリングと最適化を実現する、温度調整付き測地的MCMC（TG-MCMC）アルゴリズムを提案する。
• 温度パラメータによりアルゴリズムの挙動を制御する：高温では不確実性定量化のための事後分布サンプリングを実行し、低温ではMAP推定値に収束するグローバル最適化として機能する。
• SE(3)のリーマン多様体を測地的フローで効率的に走査することで、非多様体への投影問題を回避し、収束安定性を向上させる。
• クォータニオンに適したリトラクションと計量を考慮した、ハミルトニアン・モンテカルロ（HMC）フレームワークを採用する。
• PGO初期化パイプラインにこの手法を統合し、その後続のバンドル調整がより速くかつ信頼性高く収束することを可能にする。

実験結果

リサーチクエスチョン

• RQ1 統合されたフレームワークは、同時に高品質なPGO初期化と信頼性の高い不確実性推定を提供できるか？
• RQ2 非凸的かつリーマン多様体であるクォータニオン多様体上での収束性とサンプリング効率に関して、TG-MCMCアルゴリズムはどの程度の性能を示すか？
• RQ3 本手法が生成する不確実性推定値は、距離に起因する三角測量誤差や特徴マッチングの難易度といった直感的なデータ品質特性を反映できるか？
• RQ4 既存手法と比較して、TG-MCMC初期化はその後続のバンドル調整の収束速度と成功確率を向上させるか？
• RQ5 ノイズ、欠損データ、スパarsely接続されたまたは接続性が低いポーズグラフに対して、本手法はどの程度の耐性を示すか？

主な発見

• TG-MCMCアルゴリズムは、合成および実世界のデータセットにおいて、従来手法（MinSpanやGovindu法）を上回る最先端の初期化品質を達成し、ポーズ精度で優れた性能を示した。
• 本手法が生成する不確実性推定値は、データ品質と強く相関している：距離が遠い構造物やマッチングが難しい領域（例：植生）は、期待通りに高い不確実性が割り当てられている。
• マドリード・メトロポリスおよびサウス・ビルドイングデータセットでは、不確実性マップがカメラクラスタからの距離増加に伴い三角測量精度が低下することを明確に反映している。
• サウス・ビルドイングデータセットでは、TG-MCMCを初期化に用いることで、その後続のバンドル調整が最大21.74倍高速化され、顕著な実用的利点を示した。
• 実行時間は最先端手法と同等の性能を示し、不確実性推定の組み込みは、他のPGO初期化手法では実現されていない独自の利点である。
• 可視化結果から、TG-MCMCがランダム初期化から出発し、真値に近いポーズグラフへと効果的に収束していることが確認された。