- 论文链接：https://arxiv.org/pdf/2401.01657.pdf
摘要
本文介绍了协同SLAM中基于多级划分的分布式位姿图优化。分布式协同同时定位和建图（DCSLAM）的后端模块需要在分布式环境下求解非线性位姿图优化（PGO），也称为SE(d)-同步。大多数现有的分布式图优化算法均采用一个简单的顺序划分方案，由于每个机器人的地理位置不同，这可能会导致维度不平衡，从而增加额外的通信负载。此外，当前黎曼优化算法的性能可以进一步提高。在本文中，我们提出了一种新的分布式位姿图优化方法，其将多级划分与加速的黎曼优化方法相结合。首先，我们采用多级图划分算法来预处理初始位姿图，从而构建一个平衡的优化问题。此外，受到加速坐标下降方法的启发，我们设计了一种改进的黎曼块坐标下降（IRBCD）算法，其获得的驻点是最优的。最后，我们评估了四种常见的图划分方法对子图间相关性的影响，并且发现Highest方案具有最佳的划分性能。此外，我们还进行了仿真，定量地证明了本文所提出的算法优于最先进的分布式位姿图优化方案。
主要贡献
本文的主要贡献总结如下：
1）本文实现了多级图划分方法，以在分布式位姿图优化中构建平衡的优化子问题；
2）受到加速坐标下降方法（ACDM）的启发，本文提出了IRBCD算法，并且证明了该算法收敛到具有全局最优的一阶驻点。
论文图片和表格
总结
本文解决了分布式协同SLAM的后端问题，并且提出了一种新型的基于多级图划分的分布式位姿图优化算法，并且保证了收敛性。我们首先对原始位姿图进行多级图划分，使得每个机器人获得一个维度平衡的子任务，然后使用IRBCD方法来解决在黎曼流行空间中演变的优化问题。本文的优化算法具有如下优势：一方面，通过平衡的位姿图降低了多机器人并行计算的通信成本；另一方面，IRBCD加快了算法的收敛速度。与现有的分布式图优化算法相比，本文方法可以在更短的时间内收敛到更精确的解。我们希望在未来将本文提出的算法应用于实际场景，以扩展其适用性。此外，我们还考虑使用IRBCD技术来解决其它优化问题，例如流形上的分布式模型预测控制。
发表回复