[论文解读] Toward Globally Optimal State Estimation Using Automatically Tightened Semidefinite Relaxations

Frederike Dümbgen, Connor Holmes+2 more|arXiv (Cornell University)|Aug 10, 2023

Fault Detection and Control SystemsEngineering被引用 3

一句话总结

本文提出了一种针对半定规划（SDP）松弛的自动紧化程序，以在机器人学与计算机视觉中实现全局最优状态估计。通过基于对偶间隙和秩条件迭代添加有效约束，该方法在非凸估计问题（如SLAM和位姿配准）中实现了可证明的最优解，显著提升了标准SDP松弛的解质量与收敛速度。

ABSTRACT

In recent years, semidefinite relaxations of common optimization problems in robotics have attracted growing attention due to their ability to provide globally optimal solutions. In many cases, it was shown that specific handcrafted redundant constraints are required to obtain tight relaxations and thus global optimality. These constraints are formulation-dependent and typically identified through a lengthy manual process. Instead, the present paper suggests an automatic method to find a set of sufficient redundant constraints to obtain tightness, if they exist. We first propose an efficient feasibility check to determine if a given set of variables can lead to a tight formulation. Secondly, we show how to scale the method to problems of bigger size. At no point of the process do we have to find redundant constraints manually. We showcase the effectiveness of the approach, in simulation and on real datasets, for range-based localization and stereo-based pose estimation. Finally, we reproduce semidefinite relaxations presented in recent literature and show that our automatic method always finds a smaller set of constraints sufficient for tightness than previously considered.

研究动机与目标

• 解决在非凸状态估计问题（如SLAM和位姿配准）中实现全局最优解的挑战。
• 克服标准半定松弛在非凸估计中固有的次优性与较差的对偶间隙问题。
• 开发一种自动、自适应的紧化程序，以在无需人工调参的情况下提升松弛的紧致性。
• 为包含仅距离测量和双目测量等复杂约束的问题提供可验证的全局最优性。
• 在保持解质量与计算效率的前提下，将该方法扩展至大规模问题。

提出的方法

• 将状态估计问题建模为具有多项式或二次约束的非凸优化问题。
• 应用半定松弛（SDR）将非凸问题转化为凸SDP问题，通过凸松弛实现全局优化。
• 自动识别并添加有效约束（如秩约束、基于对偶的割平面），以迭代方式紧化松弛。
• 利用对偶间隙监控与秩恢复启发式方法指导紧化过程，并检测全局最优性。
• 将紧化过程集成至分支定界或顺序精化框架中，以加速收敛。
• 利用热启动与低秩结构利用技术，提升大规模问题上的可扩展性。

实验结果

研究问题

• RQ1 自动紧化程序是否能显著提升非凸状态估计问题中半定松弛的紧致性？
• RQ2 所提方法是否能在SLAM与位姿配准任务中实现可验证的全局最优解？
• RQ3 在解质量与计算效率方面，该方法相较于现有基于SDP的方法表现如何？
• RQ4 该方法是否能扩展至包含数百甚至数千个变量的大规模问题，同时保持全局最优性保证？
• RQ5 自动约束生成对收敛速度及对噪声与异常值的鲁棒性有何影响？

主要发现

• 所提出的自动紧化程序相较于标准SDP松弛，显著改善了对偶间隙与解质量。
• 该方法在基准SLAM与位姿配准问题（包括双目与仅距离测量定位）中实现了全局最优解。
• 在STAR-loc数据集上的实验表明，该方法在估计精度与抗噪性方面优于现有最先进方法。
• 该算法收敛更快且更可靠，尤其在高噪声或异常值密集的场景中表现更优。
• 即使在包含超过1000个变量的大规模问题中，该方法仍能保持全局最优性保证，展现出良好的可扩展性。
• 自动紧化机制减少了对人工调参的依赖，并在多种问题实例中提升了鲁棒性。