[论文解读] Distributed Certifiably Correct Pose-Graph Optimization

Yulun Tian, Kasra Khosoussi+2 more|arXiv (Cornell University)|Nov 9, 2019

Robotics and Sensor-Based Localization参考文献 8被引用 15

一句话总结

本文提出DC2-PGO，这是首个在中等噪声下能保证全局最优解的可证明正确的分布式位姿图优化算法。它结合了稀疏半定松弛与基于黎曼块坐标下降的分布式黎曼楼梯框架，并引入新颖的分布式验证/鞍点逃逸方法，相较于现有分布式方法，在保持隐私和实现完全去中心化的同时，实现了更优的收敛速度与解精度。

ABSTRACT

This paper presents the first certifiably correct algorithm for distributed pose-graph optimization (PGO), the backbone of modern collaborative simultaneous localization and mapping (CSLAM) and camera network localization (CNL) systems. Our method is based upon a sparse semidefinite relaxation that we prove provides globally-optimal PGO solutions under moderate measurement noise (matching the guarantees enjoyed by state-of-the-art centralized methods), but is amenable to distributed optimization using the low-rank Riemannian Staircase framework. To implement the Riemannian Staircase in the distributed setting, we develop Riemannian block coordinate descent (RBCD), a novel method for (locally) minimizing a function over a product of Riemannian manifolds. We also propose the first distributed solution verification and saddle escape methods to certify the global optimality of critical points recovered via RBCD, and to descend from suboptimal critical points (if necessary). All components of our approach are inherently decentralized: they require only local communication, provide privacy protection, and are easily parallelizable. Extensive evaluations on synthetic and real-world datasets demonstrate that the proposed method correctly recovers globally optimal solutions under moderate noise, and outperforms alternative distributed techniques in terms of solution precision and convergence speed.

研究动机与目标

• 为协作SLAM与相机网络定位中缺乏可证明恢复全局最优解的分布式算法提供解决方案。
• 克服集中式PGO方法的局限性，包括通信瓶颈、隐私泄露和单点故障问题。
• 将可证明正确的集中式PGO方法（如SE-Sync）扩展至去中心化、可扩展且保护隐私的分布式环境。
• 开发新颖的分布式优化与验证技术，确保在去中心化环境中维持全局最优性保证。
• 通过支持分布式检测与逃离鞍点，提升对次优收敛的鲁棒性。

提出的方法

• 提出PGO问题的稀疏半定松弛方法，在中等噪声下保留了集中式可证明正确方法的精确性保证。
• 采用分布式黎曼楼梯框架，通过利用低秩结构高效求解松弛问题。
• 提出黎曼块坐标下降（RBCD）作为在去中心化环境中最小化定义在黎曼流形乘积上的函数的新型方法。
• 开发通过Nesterov方案加速的分布式黎曼块坐标下降（RBCD++），以提升收敛速度。
• 设计基于最小特征值计算的分布式解验证机制，用于认证临界点的全局最优性。
• 提出一种分布式鞍点逃逸机制，利用黎曼梯度信息检测并逃离次优临界点。

实验结果

研究问题

• RQ1 是否能够设计出一种分布式PGO算法，使其在全局最优性保证方面与最先进的集中式可证明正确方法（如SE-Sync）相当？
• RQ2 如何在去中心化、低通信量的环境中高效求解稀疏半定松弛问题，同时保持低秩结构？
• RQ3 何种分布式优化框架可在无需中央协调器的情况下实现全局最优解的收敛？
• RQ4 如何在去中心化系统中通过分布式验证检测并认证临界点的全局最优性？
• RQ5 在去中心化PGO环境中，分布式鞍点逃逸机制是否能成功从次优解中恢复全局最优解？

主要发现

• DC2-PGO在合成数据与真实世界数据集（如CSAIL、KITTI、Killian Court）上，在中等测量噪声下成功恢复了全局最优解。
• 与DGS及其他局部搜索方案等替代分布式PGO方法相比，该算法实现了更快的收敛速度与更高的解精度。
• 在Killian Court数据集上，DC2-PGO从随机初始化出发，在秩r=3时成功逃离次优临界点，并在r=4时收敛至全局最小值。
• 分布式验证与鞍点逃逸机制成功检测到非最优解，并实现了全局最优解的恢复。
• RBCD及其加速变体（RBCD++）在温和条件下表现出全局次线性收敛速率，且通过Nesterov加速实现了经验性能的提升。
• 该方法保持了隐私性，实现了完全去中心化，仅需本地通信，避免了中央协调器或全局数据聚合。