[论文解读] A Certifiably Correct Algorithm for Synchronization over the Special Euclidean Group

David M. Rosen, Luca Carlone+2 more|arXiv (Cornell University)|Nov 1, 2016

Topological and Geometric Data Analysis被引用 8

一句话总结

本文提出 SE-Sync，一种针对特殊欧几里得群 SE(d) 的可证明正确算法，能够高效计算姿态图 SLAM 及相关几何估计问题的全局最优解。通过利用低秩半定松弛和黎曼截断牛顿信赖域方法，SE-Sync 在计算效率上可与局部求解器相媲美，同时提供全局最优性的后验验证，即使在比机器人应用中典型水平高一个数量级的噪声下，也能成功恢复精确解。

ABSTRACT

Many geometric estimation problems take the form of synchronization over the special Euclidean group: estimate the values of a set of poses given noisy measurements of a subset of their pairwise relative transforms. This problem is typically formulated as a maximum-likelihood estimation that requires solving a nonconvex nonlinear program, which is computationally intractable in general. Nevertheless, in this paper we present an algorithm that is able to efficiently recover certifiably globally optimal solutions of this estimation problem in a non-adversarial noise regime. The crux of our approach is the development of a semidefinite relaxation of the maximum-likelihood estimation whose minimizer provides the exact MLE so long as the magnitude of the noise corrupting the available measurements falls below a certain critical threshold; furthermore, whenever exactness obtains, it is possible to verify this fact a posteriori, thereby certifying the optimality of the recovered estimate. We develop a specialized optimization scheme for solving large-scale instances of this semidefinite relaxation by exploiting its low-rank, geometric, and graph-theoretic structure to reduce it to an equivalent optimization problem on a low-dimensional Riemannian manifold, and then design a Riemannian truncated-Newton trust-region method to solve this reduction efficiently. We combine this fast optimization approach with a simple rounding procedure to produce our algorithm, SE-Sync. Experimental evaluation on a variety of simulated and real-world pose-graph SLAM datasets shows that SE-Sync is capable of recovering globally optimal solutions when the available measurements are corrupted by noise up to an order of magnitude greater than that typically encountered in robotics applications, and does so at a computational cost that scales comparably with that of direct Newton-type local search techniques.

研究动机与目标

• 开发一种算法，用于在 SE(d) 上的同步问题中计算全局最优解，同时提供可证明的正确性保证。
• 克服局部优化方法在姿态图 SLAM 中的局限性，这些方法常因初始化不佳或噪声而收敛到次优解。
• 通过利用最大似然问题的半定松弛的低秩和几何结构，实现可证明最优解的高效计算。
• 在保持全局最优性认证的前提下，将该方法扩展至大规模真实世界 SLAM 数据集。
• 通过结合快速优化与后验最优性验证，为迭代局部求解器提供一种实用的替代方案。

提出的方法

• 将姿态同步问题表述为在 SE(d) 上的最大似然估计，从而导出一个非凸优化问题。
• 提出最大似然问题的半定松弛，当噪声低于临界阈值时，其最小化器可恢复精确的最大似然估计（MLE）。
• 利用松弛问题的低秩结构，将问题转化为在低维黎曼流形上的等价优化问题。
• 开发一种黎曼截断牛顿信赖域方法，高效求解约简后的问题，同时利用几何与图论结构。
• 对松弛解应用简单的取整过程，以获得 SE(d) 中的可行估计。
• 通过相同的半定松弛进行后验验证，当松弛精确时，可认证全局最优性。

实验结果

研究问题

• RQ1 能否构建 SE(d) 同步问题的半定松弛，使得其最小化器在有界噪声下可恢复精确 MLE？
• RQ2 能否通过利用其低秩和几何结构，在大规模场景下高效求解该松弛问题？
• RQ3 该算法能否在计算效率上媲美局部求解器的同时，提供全局最优性认证？
• RQ4 该方法对噪声水平增加，特别是旋转分量的噪声，具有多强的鲁棒性？
• RQ5 该算法能否在保持精确性与验证能力的前提下，扩展至大规模真实世界 SLAM 数据集？

主要发现

• 在模拟姿态图 SLAM 实验中，SE-Sync 即使在噪声水平比机器人应用中典型值高一个数量级的情况下，仍能成功恢复可证明的全局最优解。
• 该算法的计算运行时间与采用弦图初始化的标准高斯-牛顿方法相当或更快，尤其在低至中等噪声环境下表现更优。
• 在大规模真实世界数据集（如 sphere、torus、cube 和 garage）上，SE-Sync 通过后验认证程序一致地恢复了最优解。
• 在高旋转噪声环境（σR ≈ 0.1 rad）下，半定松弛失去精确性，SE-Sync 无法恢复良好解，与理论阈值一致。
• 采用弦图初始化的高斯-牛顿方法在高旋转噪声设置下表现良好，但无法认证最优性，凸显了鲁棒性与正确性保证之间的权衡。
• SE-Sync 在包含最多 8,000 个节点的问题（如 cube 数据集）上表现出有效扩展性，求解时间低于 2.5 分钟，且保持了验证与最优性认证能力。