[논문 리뷰] Distributed Certifiably Correct Pose-Graph Optimization

Yulun Tian, Kasra Khosoussi외 2명|arXiv (Cornell University)|2019. 11. 09.

Robotics and Sensor-Based Localization참고 문헌 8인용 수 15

한 줄 요약

이 논문은 중간 수준의 노이즈 하에서 전역 최적 해를 보장하는 최초의 인증 가능하게 정확한 분산 포즈그래프 최적화 알고리즘인 DC2-PGO를 제안한다. 이 알고리즘은 희소 정수형준비화를 결합한 분산 리만 스케일라드 프레임워크를 사용하며, 리만 블록좌표강하법과 새로운 분산 검증/안장점 탈출 기법을 적용하여, 기존의 분산 방법보다 뛰어난 수렴 속도와 해의 정밀도를 달성하면서도 프라이버시를 유지하고 완전히 분산화된 환경을 구현한다.

ABSTRACT

This paper presents the first certifiably correct algorithm for distributed pose-graph optimization (PGO), the backbone of modern collaborative simultaneous localization and mapping (CSLAM) and camera network localization (CNL) systems. Our method is based upon a sparse semidefinite relaxation that we prove provides globally-optimal PGO solutions under moderate measurement noise (matching the guarantees enjoyed by state-of-the-art centralized methods), but is amenable to distributed optimization using the low-rank Riemannian Staircase framework. To implement the Riemannian Staircase in the distributed setting, we develop Riemannian block coordinate descent (RBCD), a novel method for (locally) minimizing a function over a product of Riemannian manifolds. We also propose the first distributed solution verification and saddle escape methods to certify the global optimality of critical points recovered via RBCD, and to descend from suboptimal critical points (if necessary). All components of our approach are inherently decentralized: they require only local communication, provide privacy protection, and are easily parallelizable. Extensive evaluations on synthetic and real-world datasets demonstrate that the proposed method correctly recovers globally optimal solutions under moderate noise, and outperforms alternative distributed techniques in terms of solution precision and convergence speed.

연구 동기 및 목표

• 협업 SLAM 및 카메라 네트워크 정위치에서 전역 최적 해를 증명 가능하게 복원할 수 있는 분산 알고리즘이 부족한 문제를 해결하기 위해.
• 중앙집중식 PGO 방법의 한계, 즉 통신 병목 현상, 프라이버시 누출, 단일 장애 지점 문제를 해결하기 위해.
• SE-Sync와 같은 인증 가능하게 정확한 중심화된 PGO 방법을 분산화, 확장 가능하며 프라이버시를 보존하는 환경으로 확장하기 위해.
• 분산 환경에서 전역 최적성 보장을 유지하는 새로운 분산 최적화 및 검증 기법을 개발하기 위해.
• 하위최적 수렴에 대한 강건성을 확보하기 위해 분산된 안장점 탐지 및 탈출 기능을 제공하기 위해.

제안 방법

• 중간 수준의 노이즈 하에서 중심화된 인증 가능하게 정확한 방법의 정확성 보장을 유지하면서도 희소 정수형준비화를 통해 PGO 문제를 재구성한다.
• 낮은 랭크 구조를 활용하여 효율적으로 해를 구하는 데 분산 리만 스케일라드 프레임워크를 적용한다.
• 제품 리만 다양체 위에서 함수를 분산 방식으로 최소화하기 위한 새로운 방법인 리만 블록좌표강하법(Riemannian Block Coordinate Descent, RBCD)을 제안한다.
• 네스테로프 기법을 통한 가속화를 적용한 분산 리만 블록좌표강하법을 개발하여 수렴 속도를 향상시킨다.
• 최소 고유값 계산을 통한 분산 해 검증 기법을 설계하여 임계점의 전역 최적성을 인증한다.
• 리만 기울기 정보를 활용하여 하위최적 임계점을 탐지하고 탈출하는 분산 안장점 탈출 메커니즘을 도입한다.

실험 결과

연구 질문

• RQ1 분산 PGO 알고리즘이 SE-Sync와 같은 최신 중심화된 인증 가능하게 정확한 방법과 동일한 전역 최적성 보장을 달성할 수 있는가?
• RQ2 희소 정수형준비화는 분산 및 저통신 환경에서 저랭크 구조를 유지하면서 효율적으로 해결될 수 있는가?
• RQ3 중앙 조정자가 필요 없이 전역 최적 해로 수렴하는 데에 적합한 분산 최적화 프레임워크는 무엇인가?
• RQ4 분산 시스템에서 임계점의 전역 최적성을 검증하고 인증하기 위해 분산 검증 기법은 어떻게 설계할 수 있는가?
• RQ5 분산 PGO 환경에서 분산 안장점 탈출 메커니즘은 하위최적 해에서 회복하는 데 성공할 수 있는가?

주요 결과

• DC2-PGO는 CSAIL, KITTI, Killian Court 등의 실제 데이터셋과 시뮬레이션 데이터셋에서 중간 수준의 측정 노이즈 하에서도 전역 최적 해를 성공적으로 복원한다.
• DGS 및 기타 국소 탐색 기법과 비교하여 DC2-PGO는 더 빠른 수렴 속도와 더 높은 해의 정밀도를 달성한다.
• Killian Court 데이터셋에서 DC2-PGO는 랭크 r=3에서 하위최적 임계점을 탈출하고, r=4에서 전역 최소화점을 향해 수렴한다. 이는 무작위 초기화로부터도 가능하다.
• 분산 검증 및 안장점 탈출 메커니즘이 하위최적 해를 성공적으로 탐지하고 전역 최적 해로 복구하는 데 기여한다.
• RBCD와 그 가속화된 변형(RBCD++)은 온건한 조건 하에서 전역 하향선형 수렴 속도를 보이며, 네스테로프 가속화를 통해 실용적 성능 향상이 이루어진다.
• 이 방법은 프라이버시를 유지하며 완전히 분산화되어 있어, 국부적 통신만 필요하고 중앙 조정자나 전역 데이터 집계를 피한다.