[논문 리뷰] Bayesian Pose Graph Optimization via Bingham Distributions and Tempered Geodesic MCMC

Tolga Birdal, Umut Şimşekli외 2명|arXiv (Cornell University)|2018. 05. 31.

Robotics and Sensor-Based Localization참고 문헌 68인용 수 21

한 줄 요약

이 논문은 3차원 회전을 Bingham 분포로, 이동을 다변량 정규분포로 모델링하고, 토도화된 지오데식 MCMC(TG-MCMC) 알고리즘을 결합하여 푸아송 맨폴드 상에서 베이지안 포즈 그래프 최적화를 위한 새로운 방법을 제안한다. 이 방법은 전역 최적화와 불확실성 정량화를 동시에 가능하게 하며, 퀼레르니언 맨폴드 상에서 상태 최적화 수준의 초기화 품질을 달성하고, 데이터 품질과 관련된 신뢰할 수 있는 불확실성 추정치를 제공한다. 또한 경쟁적인 실행 시간을 유지하면서 후속 번들 조정을 크게 가속화한다.

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.

연구 동기 및 목표

• SLAM 및 SfM 파이프라인에서 포즈 그래프 최적화(PGO) 초기화 시 불확실성 정량화의 부족을 해결하기 위해.
• 계산 비용이 높은 번들 조정에 의존하지 않고도 고품질의 초기 포즈와 정보적인 불확실성 추정치를 제공하는 방법을 개발하기 위해.
• 쿼터니언 맨폴드 상에서의 전역 비볼록 최적화를 새로운 MCMC 알고리즘을 통해 후행 샘플링과 통합하기 위해.
• 제안된 토도화된 지오데식 MCMC(TG-MCMC) 프레임워크에 대한 이론적 수렴 보장을 제공하기 위해.
• 합성 및 실세계 벤치마크에서 노이즈, 데이터 누락, 다양한 그래프 연결성에 대한 강건성을 평가하기 위해.

제안 방법

• 상대 포즈 측정치의 원리적인 확률적 모델링을 위해 3차원 구면(S^3) 상에서 Bingham 분포를 사용하여 회전을 모델링하고, 다변량 정규분포를 사용하여 이동을 모델링한다.
• 쿼터니언 맨폴드 상의 알려진 지오데식 흐름을 활용하여 효율적인 샘플링과 최적화를 수행하는 토도화된 지오데식 MCMC(TG-MCMC) 알고리즘을 제안한다.
• 온도 매개변수를 통해 알고리즘의 동작을 제어한다: 고온일 경우 후행 샘플링을 수행하여 불확실성 정량화를 수행하고, 저온일 경우 MAP 추정치로 수렴하는 전역 최적화기로 작동한다.
• SE(3)의 리만 맨폴드를 탐색하기 위해 지오데식 흐름을 활용하여 비맨폴드 투영 문제를 피하고 수렴 안정성을 향상시킨다.
• 쿼터니언에 적합한 재접속과 메트릭 고려를 포함한 해밀토니안 몬테카를로(HMC) 프레임워크를 쿼터니언 맨폴드에 적응시켰다.
• 이 방법을 PGO 초기화 파이프라인에 통합하여 후속 번들 조정의 수렴 속도와 신뢰성을 높였다.

실험 결과

연구 질문

• RQ1 통합 프레임워크가 동시에 고품질의 PGO 초기화와 신뢰할 수 있는 불확실성 추정치를 제공할 수 있는가?
• RQ2 비볼록이고 리만 맨폴드인 쿼터니언 맨폴드 상에서 TG-MCMC 알고리즘이 수렴성과 샘플링 효율성 측면에서 어떻게 성능을 발휘하는가?
• RQ3 이 방법이 생성하는 불확실성 추정치는 거리 기반 삼각측량 오차나 특징 매칭 가능성과 같은 직관적인 데이터 품질 특성을 반영할 수 있는가?
• RQ4 기존 방법과 비교해보았을 때 TG-MCMC 초기화가 후속 번들 조정의 수렴 속도와 성공률을 향상시키는가?
• RQ5 이 방법은 노이즈, 데이터 누락, 희박하거나 연결성이 낮은 포즈 그래프에 대해 얼마나 강건한가?

주요 결과

• TG-MCMC 알고리즘은 합성 및 실세계 데이터셋에서 상태 최적화 수준의 초기화 품질을 달성했으며, MinSpan 및 Govindu의 방법과 같은 전통적 방법들보다 포즈 정확도에서 뛰어난 성능을 보였다.
• 이 방법이 생성하는 불확실성 추정치는 데이터 품질과 강하게 상관된다: 거리가 먼 구조물과 매칭이 어려운 영역(예: 식생)은 기대한 바와 같이 더 높은 불확실성 수준을 가진다.
• 마드리드 메트로폴리탄 및 서던 빌딩 데이터셋에서, 불확실성 맵은 카메라 클러스터에서의 거리 증가에 따라 감소하는 삼각측량 정확도를 명확히 반영하고 있다.
• 서던 빌딩 데이터셋에서, 이 방법을 초기화로 사용할 경우 후속 번들 조정의 속도가 최대 21.74배 가속화되었으며, 이는 상당한 실용적 이점을 보여준다.
• 실행 시간 성능는 최신 기술 수준의 방법들과 경쟁 가능하며, 불확실성 추정 기능을 포함한 점은 다른 PGO 초기화 기법들이 제공하지 않는 고유한 이점이다.
• 시각화 결과는 TG-MCMC가 무작위 초기화 상태에서부터 실제값에 가까운 포즈 그래프로 안정적으로 수렴하는 것을 확인했다.