[论文解读] Bayesian Pose Graph Optimization via Bingham Distributions and Tempered Geodesic MCMC

Tolga Birdal, Umut Şimşekli+2 more|arXiv (Cornell University)|May 31, 2018

Robotics and Sensor-Based Localization参考文献 68被引用 21

一句话总结

本文提出了一种新颖的贝叶斯位姿图优化方法，采用Bingham分布对旋转进行建模，使用高斯模型对平移进行建模，并结合温度调节的测地线MCMC（TG-MCMC）算法，在四元数流形上实现全局优化与不确定性量化。该方法在四元数流形上实现了最先进的初始化质量，并提供了与数据质量相关的可靠不确定性估计，同时保持了具有竞争力的运行时间，并显著加速了后续的捆绑调整（bundle adjustment）。

ABSTRACT

We introduce Tempered Geodesic Markov Chain Monte Carlo (TG-MCMC) algorithm for initializing pose graph optimization problems, arising in various scenarios such as SFM (structure from motion) or SLAM (simultaneous localization and mapping). TG-MCMC is first of its kind as it unites asymptotically global non-convex optimization on the spherical manifold of quaternions with posterior sampling, in order to provide both reliable initial poses and uncertainty estimates that are informative about the quality of individual solutions. We devise rigorous theoretical convergence guarantees for our method and extensively evaluate it on synthetic and real benchmark datasets. Besides its elegance in formulation and theory, we show that our method is robust to missing data, noise and the estimated uncertainties capture intuitive properties of the data.

研究动机与目标

• 为解决位姿图优化（PGO）初始化中缺乏不确定性量化的问题，特别是在SLAM和SfM流程中。
• 开发一种方法，既能提供高质量的初始位姿，又能提供信息丰富的不确定性估计，而无需依赖计算成本高昂的捆绑调整。
• 将四元数流形上的全局非凸优化与通过新型MCMC算法实现的后验抽样统一起来。
• 为所提出的温度调节测地线MCMC（TG-MCMC）框架提供理论收敛性保证。
• 在合成与真实世界基准测试中，评估方法对噪声、缺失数据以及不同图连通性的鲁棒性。

提出的方法

• 在3-球面（S^3）上使用Bingham分布对旋转进行建模，使用多变量高斯分布对平移进行建模，实现对相对位姿测量的合理概率建模。
• 提出一种温度调节的测地线MCMC（TG-MCMC）算法，利用四元数流形上的已知测地线流，实现高效采样与优化。
• 通过温度参数控制算法行为：高温时执行后验抽样以实现不确定性量化；低温时作为全局优化器，收敛至MAP估计。
• 利用测地线流在SE(3)的黎曼流形上导航，避免非流形投影问题，提升收敛稳定性。
• 采用适配于球面流形的哈密顿蒙特卡洛（HMC）框架，考虑四元数的恰当收缩映射与度量结构。
• 将该方法集成到PGO初始化流程中，使后续的捆绑调整能够更快、更可靠地收敛。

实验结果

研究问题

• RQ1 是否存在一个统一框架，能够同时提供高质量的PGO初始化与可靠的不确定性估计？
• RQ2 TG-MCMC算法在四元数的非凸、黎曼流形上的收敛性与采样效率如何？
• RQ3 该方法生成的不确定性估计是否能反映直观的数据质量特性，例如与距离相关的三角测量误差或特征匹配难易度？
• RQ4 与现有方法相比，TG-MCMC初始化是否能提升后续捆绑调整的收敛速度与成功率？
• RQ5 该方法对噪声、缺失数据以及稀疏或连接性差的位姿图的鲁棒性如何？

主要发现

• TG-MCMC算法在合成与真实世界数据集上均实现了最先进的初始化质量，在位姿精度方面优于传统方法（如MinSpan和Govindu方法）。
• 该方法生成的不确定性估计与数据质量高度相关：距离较远的结构以及难以匹配的区域（如植被）被赋予更高的不确定性，符合预期。
• 在马德里都市与南楼数据集中，不确定性图谱清晰反映出随着距离相机簇距离增加，三角测量精度下降的趋势。
• 在南楼数据集上，作为初始化使用时，该方法使后续的捆绑调整速度最高提升了21.74倍，展现出显著的实际效益。
• 运行时间性能与当前最先进方法相当，且不确定性估计的引入是其他PGO初始化技术所不具备的独特优势。
• 可视化结果表明，TG-MCMC能从随机初始化成功演化至接近真实值的位姿图，证实了其鲁棒的收敛行为。