[论文解读] Pose Graph Optimization in the Complex Domain: Lagrangian Duality, Conditions For Zero Duality Gap, and Optimal Solutions

Giuseppe C. Calafiore, Luca Carlone+1 more|arXiv (Cornell University)|May 13, 2015

Robotics and Sensor-Based Localization参考文献 73被引用 5

一句话总结

该论文提出了一种新颖的方法，通过在复数域中利用拉格朗日对偶性来求解位姿图优化（PGO），证明当惩罚后的位姿图矩阵恰好具有一个零特征值时，可实现零对偶间隙（即保证全局最优）。该方法通过半定规划（SDP）和特征向量缩放计算全局最优解，并通过实证验证表明，在100%的实际机器人噪声环境下该条件均成立。

ABSTRACT

Pose Graph Optimization (PGO) is the problem of estimating a set of poses from pairwise relative measurements. PGO is a nonconvex problem, and currently no known technique can guarantee the computation of an optimal solution. In this paper, we show that Lagrangian duality allows computing a globally optimal solution, under certain conditions that are satisfied in many practical cases. Our first contribution is to frame the PGO problem in the complex domain. This makes analysis easier and allows drawing connections with the recent literature on unit gain graphs. Exploiting this connection we prove non-trival results about the spectrum of the matrix underlying the problem. The second contribution is to formulate and analyze the dual problem in the complex domain. Our analysis shows that the duality gap is connected to the number of eigenvalues of the penalized pose graph matrix, which arises from the solution of the dual. We prove that if this matrix has a single eigenvalue in zero, then (i) the duality gap is zero, (ii) the primal PGO problem has a unique solution, and (iii) the primal solution can be computed by scaling an eigenvector of the penalized pose graph matrix. The third contribution is algorithmic: we exploit the dual problem and propose an algorithm that computes a guaranteed optimal solution for PGO when the penalized pose graph matrix satisfies the Single Zero Eigenvalue Property (SZEP). We also propose a variant that deals with the case in which the SZEP is not satisfied. The fourth contribution is a numerical analysis. Empirical evidence shows that in the vast majority of cases (100% of the tests under noise regimes of practical robotics applications) the penalized pose graph matrix does satisfy the SZEP, hence our approach allows computing the global optimal solution. Finally, we report simple counterexamples in which the duality gap is nonzero, and discuss open problems.

研究动机与目标

• 为解决非凸位姿图优化（PGO）中计算全局最优解这一长期挑战，而现有迭代方法无法保证全局最优。
• 建立对偶间隙为零的理论条件，从而实现全局最优性的认证。
• 开发一种算法框架，当满足单零特征值性质（SZEP）时，可计算全局最优解。
• 分析惩罚后位姿图矩阵的谱性质，并将其与对偶间隙及解的唯一性联系起来。
• 在真实机器人噪声场景下对方法进行实证验证，证明SZEP条件在近似所有情况下均适用。

提出的方法

• 在复数域中表述PGO问题，以简化分析并利用与单位增益图的关联性。
• 将拉格朗日对偶问题推导为半定规划（SDP），从而实现对非凸PGO问题的凸松弛。
• 证明对偶间隙为零当且仅当惩罚后的位姿图矩阵恰好有一个零特征值（SZEP）。
• 通过惩罚矩阵零特征值对应的特征向量缩放，构造原始最优解。
• 提出一种两阶段算法：第一阶段求解SDP对偶问题；第二阶段当SZEP成立时，通过特征向量缩放恢复原始解。
• 提出一种变体算法，适用于SZEP不成立的情况，实际中可提供高质量的次优解。

实验结果

研究问题

• RQ1 在何种条件下，PGO问题的拉格朗日对偶问题可实现零对偶间隙？
• RQ2 惩罚后位姿图矩阵的谱性质如何与全局最优解的存在性和唯一性相关联？
• RQ3 是否能通过特征向量缩放，直接从对偶解恢复原始最优解？
• RQ4 在具有真实噪声的实用机器人应用中，单零特征值性质（SZEP）出现的频率如何？
• RQ5 与标准的迭代求解器相比，所提方法在最优性与收敛性方面的性能如何？

主要发现

• 对偶间隙为零当且仅当惩罚后的位姿图矩阵恰好有一个零特征值，这确保了全局最优性和解的唯一性。
• 当SZEP条件成立时，可通过缩放惩罚矩阵零特征值对应的特征向量，精确计算出原始最优解。
• 在所有测试场景下，当噪声水平符合实际机器人应用时，惩罚后的位姿图矩阵均满足SZEP，从而在所有测试情况下均实现全局最优。
• 所提算法通过半定规划和特征向量提取，在多项式时间内计算出全局最优解。
• 即使在SZEP不成立的情况下，所提变体算法仍能提供高质量的估计，且在实际中表现良好。
• 反例表明，非零对偶间隙可能产生，凸显了SZEP条件对保证全局最优性的必要性。