[논문 리뷰] A Certifiably Correct Algorithm for Synchronization over the Special Euclidean Group

David M. Rosen, Luca Carlone외 2명|arXiv (Cornell University)|2016. 11. 01.

Topological and Geometric Data Analysis인용 수 8

한 줄 요약

이 논문은 특수 유클리드 군 SE(d)에서의 동기화를 위한 인증 가능하게 올바른 알고리즘인 SE-Sync를 제안한다. 이 알고리즘은 포즈 그래프 SLAM 및 관련 기하 추정 문제에 대해 전역 최적 해를 효율적으로 계산한다. 저자는 낮은 랭크의 정준형 타원형 완화와 리만 다각형의 절삭-뉴턴 신뢰역 방법을 활용하여, 국소 해법과 유사한 계산 효율성을 확보하면서도 전역 최적성에 대한 사후 검증을 제공한다. 이로 인해 로봇 공학 애플리케이션에서 일반적인 수준보다 10배 높은 노이즈 수준에서도 정확한 해를 성공적으로 복원할 수 있다.

ABSTRACT

Many geometric estimation problems take the form of synchronization over the special Euclidean group: estimate the values of a set of poses given noisy measurements of a subset of their pairwise relative transforms. This problem is typically formulated as a maximum-likelihood estimation that requires solving a nonconvex nonlinear program, which is computationally intractable in general. Nevertheless, in this paper we present an algorithm that is able to efficiently recover certifiably globally optimal solutions of this estimation problem in a non-adversarial noise regime. The crux of our approach is the development of a semidefinite relaxation of the maximum-likelihood estimation whose minimizer provides the exact MLE so long as the magnitude of the noise corrupting the available measurements falls below a certain critical threshold; furthermore, whenever exactness obtains, it is possible to verify this fact a posteriori, thereby certifying the optimality of the recovered estimate. We develop a specialized optimization scheme for solving large-scale instances of this semidefinite relaxation by exploiting its low-rank, geometric, and graph-theoretic structure to reduce it to an equivalent optimization problem on a low-dimensional Riemannian manifold, and then design a Riemannian truncated-Newton trust-region method to solve this reduction efficiently. We combine this fast optimization approach with a simple rounding procedure to produce our algorithm, SE-Sync. Experimental evaluation on a variety of simulated and real-world pose-graph SLAM datasets shows that SE-Sync is capable of recovering globally optimal solutions when the available measurements are corrupted by noise up to an order of magnitude greater than that typically encountered in robotics applications, and does so at a computational cost that scales comparably with that of direct Newton-type local search techniques.

연구 동기 및 목표

• SE(d)에서의 포즈 추정을 위한 전역 최적 해를 계산하는 알고리즘을 개발하고, 증명 가능하게 올바른 보장을 제공한다.
• 시작값이 불량하거나 노이즈가 존재할 경우 국소 최적화 방법이 국소 최적 해에 수렴하는 문제점을 해결한다.
• 최대우도 문제의 정준형 타원형 완화의 낮은 랭크 및 기하학적 구조를 활용하여 인증 가능한 최적 해를 효율적으로 계산한다.
• 대규모 실세계 SLAM 데이터셋에 대해 전역 최적성 검증을 유지하면서도 해법을 확장한다.
• 빠른 최적화와 사후 최적성 검증을 결합하여 반복적 국소 해법의 실용적 대안을 제공한다.

제안 방법

• 포즈 동기화 문제를 SE(d)에서의 최대우도 추정으로 공식화하여 비볼록 최적화 문제로 이어진다.
• 노이즈가 임계 임계값 이하일 경우 정확한 최대우도 추정치(MLE)를 복원할 수 있는 정준형 타원형 완화를 도입한다.
• 완화의 낮은 랭크 구조를 활용하여 문제를 저차원 리만 다양체 위의 등가 최적화 문제로 축소한다.
• 기하학적 및 그래프 이론적 구조를 활용하여, 저차원 문제를 효율적으로 해결하기 위한 리만 다각형 절삭-뉴턴 신뢰역 방법을 개발한다.
• 완화된 해를 바탕으로 SE(d) 내의 탍합 가능한 추정치를 도출하기 위해 단순한 라운딩 절차를 적용한다.
• 완화가 정확할 경우 동일한 정준형 타원형 완화를 통해 사후 검증을 통해 전역 최적성을 인증한다.

실험 결과

연구 질문

• RQ1 제한된 노이즈 조건 하에서 SE(d) 동기화 문제의 정준형 타원형 완화를 구성할 수 있을까? 이 경우 최소화자가 정확한 MLE를 복원할 수 있을까?
• RQ2 낮은 랭크 및 기하학적 구조를 활용하여 대규모 문제에서 이 완화를 효율적으로 해결할 수 있을까?
• RQ3 국소 해법과 유사한 계산 효율성을 확보하면서도 전역 최적성 검증이 가능한가?
• RQ4 특히 회전 성분에서 노이즈가 증가할 경우 이 방법의 내성은 어떠한가?
• RQ5 대규모 실세계 SLAM 데이터셋에 대해 정확성과 검증 능력을 유지하면서 확장 가능한가?

주요 결과

• SE-Sync는 로봇 공학 응용 분야에서 일반적인 수준보다 10배 높은 노이즈 수준에서도 시뮬레이션된 포즈 그래프 SLAM 실험에서 인증 가능한 전역 최적 해를 성공적으로 복원한다.
• 특히 저-중간 노이즈 영역에서 표준 가우스-뉴턴 방법과 코르달 초기화를 사용한 경우와 유사하거나 더 빠른 계산 런타임을 달성한다.
• 공원, 토러스, 큐브, 차고 등의 대규모 실세계 데이터셋에서 SE-Sync는 사후 검증 절차를 통해 일관되게 최적 해를 복원한다.
• 고수준의 회전 노이즈 영역(σR ≈ 0.1 rad)에서는 정준형 타원형 완화가 정확성을 失한다. 이 경우 SE-Sync는 좋은 해를 복원하지 못하며, 이는 이론적 임계값과 일치한다.
• 코르달 초기화를 사용한 가우스-뉴턴 방법은 고수준의 회전 노이즈 설정에서 잘 작동하지만 최적성 검증이 불가능하여, 내성과 정확성 보장 사이의 상충 관계를 보여준다.
• SE-Sync는 최대 8,000개의 노드를 포함하는 문제(예: 큐브 데이터셋)에 대해 효과적으로 확장되며, 2.5분 이내에 해결하면서도 최적성 검증과 보장을 유지한다.