[论文解读] Near-Optimal Budgeted Data Exchange for Distributed Loop Closure Detection

Yulun Tian, Kasra Khosoussi+3 more|arXiv (Cornell University)|Jun 1, 2018

Robotics and Sensor-Based Localization被引用 6

一句话总结

本文提出了一种面向协作式SLAM中分布式回环检测的资源自适应框架，采用近似最优的贪心算法，从跨机器人回环中选择在预算范围内、能最大化单调子模目标的子集。该方法在数据传输受限条件下提供了常数因子的近似保证，并在KITTI和合成数据集上验证了其接近最优的性能。

ABSTRACT

Inter-robot loop closure detection is a core problem in collaborative SLAM (CSLAM). Establishing inter-robot loop closures is a resource-demanding process, during which robots must consume a substantial amount of mission-critical resources (e.g., battery and bandwidth) to exchange sensory data. However, even with the most resource-efficient techniques, the resources available onboard may be insufficient for verifying every potential loop closure. This work addresses this critical challenge by proposing a resource-adaptive framework for distributed loop closure detection. We seek to maximize task-oriented objectives subject to a budget constraint on total data transmission. This problem is in general NP-hard. We approach this problem from different perspectives and leverage existing results on monotone submodular maximization to provide efficient approximation algorithms with performance guarantees. The proposed approach is extensively evaluated using the KITTI odometry benchmark dataset and synthetic Manhattan-like datasets.

研究动机与目标

• 解决协作式SLAM系统中在通信预算受限条件下跨机器人回环检测的挑战。
• 在总数据传输预算受限的条件下，最大化以定位精度或信息增益等任务导向目标。
• 开发一种可扩展的、基于近似的方法，即使在问题为NP难的情况下仍能保持性能保证。
• 使机器人能够协作选择具有信息量的回环，同时不超出分配的带宽或能耗预算。
• 通过在预算约束下实现自适应的回环候选选择，扩展现有资源高效的CSLAM前端。

提出的方法

• 将回环选择问题建模为在数据传输预算约束下最大化单调子模目标。
• 通过变量替换和保持近似因子的约化方法，证明自然贪心算法可提供常数因子的近似保证。
• 将最小点覆盖问题作为预算可行性的代理，覆盖的大小决定所需的数据量。
• 应用贪心算法选择边（潜在回环），以在信息量和预算约束之间取得平衡。
• 采用凸松弛方法，实证验证了在不同目标下方法的近似最优性和稳定性。
• 使用真实的KITTI里程计数据和具有受控图密度的合成曼哈顿式数据集对方法进行验证。

实验结果

研究问题

• RQ1 贪心算法能否在协作式SLAM的预算化回环选择中实现常数因子近似？
• RQ2 在不同通信预算下，所提方法与基线方法的性能表现如何比较？
• RQ3 目标函数的选择（如NLC、FIM、WST）在多大程度上影响定位精度和稳定性？
• RQ4 交换图的稀疏性在多大程度上影响所提算法的有效性？
• RQ5 当目标函数为随机或存在误报时，该框架能否维持性能保证？

主要发现

• 所提贪心算法在多种目标下均实现了接近最优的性能，实证结果表明当选择所有回环时，其与完整最大似然估计结果高度一致。
• NLC目标（真实回环的期望数量）表现出比FIM和WST更稳定的性能，后者对误报较为敏感。
• 在ATE指标上，性能并非随预算增加而单调递减，表明某些选择的回环若不具备信息量，反而可能降低定位性能。
• 在合成仿真中，所提方法显著优于基线方法，尤其在交换图密度增加时优势更明显。
• 由于点覆盖约化结构的特性，即使在交换图稀疏时，该算法仍能保持强大的近似保证。
• 该方法对不同通信预算具有鲁棒性，且可扩展至具有分块预算约束的异构多机器人系统。