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

David M. Rosen, Luca Carlone+2 more|arXiv (Cornell University)|Dec 21, 2016

Topological and Geometric Data Analysis被引用 12

一句话总结

SE-Sync 是一种可认证正确的算法，通过利用半定松弛方法，在噪声水平低于临界阈值时保证获得全局最优解，从而解决特殊欧几里得同步问题。它利用低秩、几何和图论结构，在黎曼流形上高效求解松弛问题，实现在机器人学、视觉和传感应用中快速且可验证的最优位姿恢复。

ABSTRACT

Many important geometric estimation problems take the form of synchronization over the special Euclidean group: estimate the values of a set of poses given a set of relative measurements between them. This problem is typically formulated as a nonconvex maximum-likelihood estimation that is computationally hard to solve in general. Nevertheless, in this paper we present an algorithm that is able to efficiently recover certifiably globally optimal solutions of the special Euclidean synchronization 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 an 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 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 design a truncated-Newton trust-region method to solve this reduction efficiently. Finally, 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 able to recover certifiably globally optimal solutions when the available measurements are corrupted by noise up to an order of magnitude greater than that typically encountered in robotics and computer vision applications, and does so more than an order of magnitude faster than the Gauss-Newton-based approach that forms the basis of current state-of-the-art techniques.

研究动机与目标

• 解决特殊欧几里得同步中非凸最大似然估计的计算困难，这是机器人学、计算机视觉和传感器网络中的核心问题。
• 开发一种算法，在现实噪声条件下可恢复全局最优解，并提供形式化的最优性认证。
• 通过利用半定松弛中的几何和图论结构，实现大规模同步问题的高效求解。
• 提供一种实用且可验证的方法，确认估计位姿的全局最优性，克服启发式求解器的局限性。
• 在保持对更高噪声水平鲁棒性的同时，相比最先进的高斯-牛顿方法实现显著的速度提升。

提出的方法

• 将特殊欧几里得同步问题建模为在 SE(d) 上的非凸最大似然估计，通过噪声模型对相对位姿测量进行建模。
• 构建最大似然问题的半定松弛，当噪声低于临界阈值时，可保持精确性（即全局最优性）。
• 通过将松弛问题约化为低维黎曼流形上的等价优化问题，利用其低秩结构。
• 应用黎曼截断牛顿信赖域方法高效求解约化后的问题，同时利用流形的几何和图论特性。
• 通过简单的取整过程从松弛解中恢复最终的位姿估计，确保与原始群约束一致。
• 将优化与取整步骤整合进 SE-Sync 算法中，并通过证书矩阵 C 内置全局最优性验证。

实验结果

研究问题

• RQ1 在现实噪声水平下，特殊欧几里得同步问题的半定松弛能否产生可认证的全局最优解？
• RQ2 在多大程度上可以利用同步问题的低秩和几何结构来加速大规模优化？
• RQ3 黎曼优化框架能否有效应用于求解松弛问题，同时保持收敛性和最优性保证？
• RQ4 精确恢复的噪声阈值与机器人学和计算机视觉应用中的典型水平相比如何？
• RQ5 该算法能否在问题为非凸且一般情况下为 NP-难时，事后验证其解的全局最优性？

主要发现

• 当测量噪声水平比机器人学和计算机视觉应用中通常水平高出一个数量级时，SE-Sync 仍能恢复可认证的全局最优解。
• 在大规模位姿图 SLAM 数据集上，该算法的运行速度比最先进的高斯-牛顿方法快一个数量级以上。
• 当噪声幅值低于临界阈值时，半定松弛可实现精确恢复（即全局最优性），其结果由证书矩阵 C 可证明保证。
• 黎曼优化方法通过利用问题的低秩结构，降低了计算复杂度，从而在大规模图上实现高效求解。
• 该方法通过证书矩阵 C 的特征值结构提供事后全局最优性验证，确认解既可行又最优。
• 实验表明，即使在噪声水平超过启发式求解器通常可容忍范围时，SE-Sync 仍能成功恢复最优解，展现出强大的鲁棒性和可靠性。