[논문 리뷰] Generalized Proximal Methods for Pose Graph Optimization

Taosha Fan, Todd D. Murphey|arXiv (Cornell University)|2020. 12. 04.

Robotics and Sensor-Based Localization참고 문헌 23인용 수 5

한 줄 요약

이 논문은 특수 에일리어안 군(SE(d)) 위에서 비볼록 포즈 그래프 최적화(PGO)를 위한 일반화된 프록시멀 방법을 제안하며, 리만 기울기나 선형 탐색에 의존하지 않고 일阶 임계점으로의 수렴을 가능하게 한다. 이 방법은 폐쇄형 하위문제 해법을 사용하여 가속화된 수렴 속도를 달성하고 이론적 보장을 제공하며, SLAM 및 분산 센서 네트워크에서 실용적인 정확도 수준에서 기존 기법들보다 빠른 성능을 보인다.

ABSTRACT

In this paper, we generalize proximal methods that were originally designed for convex optimization on normed vector space to non-convex pose graph optimization (PGO) on special Euclidean groups, and show that our proposed generalized proximal methods for PGO converge to first-order critical points. Furthermore, we propose methods that significantly accelerate the rates of convergence almost without loss of any theoretical guarantees. In addition, our proposed methods can be easily distributed and parallelized with no compromise of efficiency. The efficacy of this work is validated through implementation on simultaneous localization and mapping (SLAM) and distributed 3D sensor network localization, which indicate that our proposed methods are a lot faster than existing techniques to converge to sufficient accuracy for practical use.

연구 동기 및 목표

• 특수 에일리어안 군에서 비볼록 PGO를 위한 프록시멀 및 가속화된 일阶 방법의 부족을 보완한다.
• 기존 일阶 PGO 방법이 리만 기울기와 선형 탐색에 의존하는 한계를 극복한다.
• PGO를 위한 상한을 제공하는 일반화된 프록시멀 연산자를 개발하여 수렴 보장을 가능하게 한다.
• 이론적 보장을 유지하면서 수렴 속도를 가속화하고, 同시에 분산 가능성과 병렬 처리 가능성을 유지한다.
• SLAM 및 분산 센서 네트워크 작업에서 SE-Sync와 같은 2차 방법에 비해 뛰어난 경험적 성능을 입증한다.

제안 방법

• 노름이 부여된 벡터 공간에서의 프록시멀 방법을 비볼록 PGO에 일반화하여, 목적함수를 상한으로 제공하는 새로운 일반화된 프록시멀 연산자를 사용한다.
• PGO를 SE(d) 위의 최적화 문제로 설정하고, 하위문제 최소화를 통해 자세 갱신을 위한 폐쇄형 해를 유도한다.
• Nesterov 스타일의 가속 기법([11, 12] 등 참조)을 도입하여 수렴 속도를 향상시키되, 이론적 보장을 잃지 않는다.
• 전역 선형 시스템 해법을 피하고 분산 환경에서 국소 이웃 정보에 의존함으로써 분산 가능하고 병렬 가능하도록 보장한다.
• 대규모 문제에서의 수렴 안정성을 향상시키기 위해 코르달 초기화를 적용한다.
• 중앙집중식 SLAM과 분산 3D 센서 네트워크 정위치화에 모두 적용하여 확장성과 효율성을 입증한다.

실험 결과

연구 질문

• RQ1 벡터 공간에서 볼록 최적화에 대한 프록시멀 방법을 특수 에일리어안 군에서의 비볼록 PGO로 일반화할 수 있는가?
• RQ2 이러한 일반화된 프록시멀 방법이 리만 기울기나 선형 탐색에 의존하지 않고 일阶 임계점으로 수렴할 수 있는가?
• RQ3 PGO에서 수렴 속도를 가속화하면서도 이론적 보장을 유지할 수 있는가?
• RQ4 제안된 방법은 성능 손실 없이 효율적으로 분산 및 병렬 처리될 수 있는가?
• RQ5 실용적 응용에서 SE-Sync와 같은 최신 2차 PGO 솔버에 비해 제안된 방법은 속도와 정확도 면에서 어떻게 비교되는가?

주요 결과

• 제안된 PGO를 위한 일반화된 프록시멀 방법은 리만 기울기나 선형 탐색 없이도 일阶 임계점으로 수렴한다.
• 가속화된 버전인 AGPM-PGO*는 2D SLAM 데이터셋에서 SE-Sync 대비 평균 5.14배 빠르며, 3D SLAM 데이터셋에서는 9.14배 빠르다.
• 3D SLAM 데이터셋에서 AGPM-PGO*는 오직 0.075%의 상대 목적함수 오차를 기록하여 높은 정확도를 확보한다.
• 분산 3D 센서 네트워크 정위치화에서 AGPM-PGO*는 30회 시행 전부에서 전역 최적해로 수렴했으며, 평균 회전 오차는 0.0253 rad, 상대 변위 오차는 1.60%였다.
• 실용적 응용에서 충분한 정확도를 확보하는 데에 있어, SE-Sync와 같은 2차 솔버보다 훨씬 빠르며, 이는 실용성에 유리하다.
• 이 방법은 완전히 분산 가능하고 병렬 처리가 가능하여 대규모 선형 시스템을 풀 필요 없이 효율성을 확보하며, 분산 환경에서의 성능 향상에 기여한다.