[논문 리뷰] GeoD: Consensus-based Geodesic Distributed Pose Graph Optimization

Eric Cristofalo, Eduardo Montijano외 1명|arXiv (Cornell University)|2020. 10. 01.

Robotics and Sensor-Based Localization참고 문헌 47인용 수 8

한 줄 요약

GeoD는 연속 시간 경사 하강법을 사용하여 SE(3) 다양체 위의 지오데식 오차를 최소화하는 공감 기반 분산 자세 그래프 최적화 알고리즘입니다. 증명 가능 보장 하에 국소 최소값으로 수렴하며, 대규모 그래프에서 중심화된 방법과 분산 방법보다 최대 100배 빠른 수렴 속도를 보이며, 평균적으로 SE-Sync보다 3.4배 낮은 오차를 달성합니다.

ABSTRACT

We present a consensus-based distributed pose graph optimization algorithm for obtaining an estimate of the 3D translation and rotation of each pose in a pose graph, given noisy relative measurements between poses. The algorithm, called GeoD, implements a continuous time distributed consensus protocol to minimize the geodesic pose graph error. GeoD is distributed over the pose graph itself, with a separate computation thread for each node in the graph, and messages are passed only between neighboring nodes in the graph. We leverage tools from Lyapunov theory and multi-agent consensus to prove the convergence of the algorithm. We identify two new consistency conditions sufficient for convergence: pairwise consistency of relative rotation measurements, and minimal consistency of relative translation measurements. GeoD incorporates a simple one step distributed initialization to satisfy both conditions. We demonstrate GeoD on simulated and real world SLAM datasets. We compare to a centralized pose graph optimizer with an optimality certificate (SE-Sync) and a Distributed Gauss-Seidel (DGS) method. On average, GeoD converges 20 times more quickly than DGS to a value with 3.4 times less error when compared to the global minimum provided by SE-Sync. GeoD scales more favorably with graph size than DGS, converging over 100 times faster on graphs larger than 1000 poses. Lastly, we test GeoD on a multi-UAV vision-based SLAM scenario, where the UAVs estimate their pose trajectories in a distributed manner using the relative poses extracted from their on board camera images. We show qualitative performance that is better than either the centralized SE-Sync or the distributed DGS methods.

연구 동기 및 목표

• 중앙 집중식 계산이 불가능한 대규모 다중 로봇 시스템에서 확장 가능한 분산 SLAM의 필요성을 해결합니다.
• 이전 연구에서 사용된 볼록 체로이드 근사화를 피하기 위해, SO(3) 위의 지오데식 거리에 직접 기반한 자세 그래프 최적화 방법을 개발합니다.
• 리아푸노프 이론과 다중 에이전트 공감 도구를 활용하여 수렴 보장을 증명 가능한 방식으로 보장합니다.
• 안정적이고 진동하지 않는 동작을 보장함으로써, 안전이 중요한 응용 분야에서 실시간, 언제나 가능한 운영을 가능하게 합니다.
• 각 로봇이 자체 최적화 스레드를 유지하고 이웃 로봇과만 통신하는 경량 분산 아키텍처를 설계합니다.

제안 방법

• 자세 그래프 최적화를 자세 그래프 구조 위의 연속 시간 공감 프로토콜로 공식화하며, 각 노드가 자체 최적화 스레드를 유지합니다.
• 이전 연구에서 사용된 체로이드 근사화를 피하기 위해 SO(3) 위의 지오데식 거리를 사용하여 회전 오차를 계산합니다.
• 쌍방향 회전 일관성과 최소 이동 일관성—두 가지 새로운 수렴 조건을 만족시키기 위해 1단계 분산 초기화를 시행합니다.
• 기울기 하강법을 지오데식 오차에 적용하며, 기울기 행렬 표현과 행렬 로그를 사용해 회전 업데이트를 수행합니다.
• 변분법과 리 군 이론을 통해 업데이트 규칙을 유도하여, 업데이트가 항상 SE(3) 다양체 위에 유지되도록 보장합니다.
• 리아푸노프 안정성 분석을 통해 지오데식 자세 그래프 오차의 국소 최소값으로 수렴함을 증명합니다.

실험 결과

연구 질문

• RQ1 지오데식 오차를 사용하고 체로이드 근사화를 피하는 분산 자세 그래프 최적화 알고리즘이 증명 가능한 수렴을 달성할 수 있는가?
• RQ2 공감 기반 분산 프레임워크에서 수렴을 보장하기 위해 필요한 상대 측정치의 일관성 조건은 무엇인가?
• RQ3 수렴 속도와 해의 정확도 측면에서 GeoD는 중심화된(SE-Sync) 및 분산(DGS) 방법과 비교해 어떻게 성능을 내는가?
• RQ4 GeoD는 1000개 이상의 자세를 포함하는 대규모 자세 그래프에서 낮은 오차와 빠른 수렴을 유지하면서 효율적으로 확장될 수 있는가?
• RQ5 시각 기반 상대 자세 추정을 사용하는 실제 다중 UAV SLAM 시나리오에서 GeoD는 어떻게 성능을 내는가?

주요 결과

• GeoD는 DGS보다 평균적으로 20배 빠르게 수렴하며, SE-Sync가 제공하는 전역 최소값과 비교해 평균적으로 3.4배 낮은 오차를 기록합니다.
• 1000개 이상의 자세를 포함하는 그래프에서는 GeoD가 DGS보다 100배 이상 빠르게 수렴하여 뛰어난 확장성을 입증합니다.
• SE-Sync보다 700배 빠른 수렴 속도를 달성함에도 불구하고, 체로이드 값 기준 전역 최소값에서 32.5%의 오차만을 기록하며 기울기 기반 알고리즘임에도 불구하고 높은 정확도를 확보합니다.
• 1단계 분산 초기화가 성공적으로 두 가지 새로운 일관성 조건—쌍방향 회전 일관성과 최소 이동 일관성—을 강제 적용했습니다.
• 실제 다중 UAV 시각 기반 SLAM 실험에서, GeoD는 SE-Sync와 DGS보다 정성적으로 더 우수한 궤적 추정을 제공했습니다.
• 리아푸노프 분석을 통해 GeoD는 안정성과 수렴 보장을 유지하여 안전이 중요한 응용 분야에서 발산이나 진동을 방지합니다.