Основні поняття
Eine neuartige verteilte Pose-Graph-Optimierungsalgorithmus, der mehrstufige Graphpartitionierung mit einem beschleunigten Riemannschen Optimierungsverfahren kombiniert, um die Kommunikationskosten zu reduzieren und die Lösungsqualität zu verbessern.
Анотація
Dieser Artikel befasst sich mit dem Lösen des verteilten Pose-Graph-Optimierungsproblems in kollaborativen SLAM-Systemen. Es werden die folgenden Schlüsselpunkte behandelt:
-
Mehrstufige Graphpartitionierung:
- Der ursprüngliche Pose-Graph wird mit einem mehrstufigen Graphpartitionierungsalgorithmus in mehrere ausgewogene Teilgraphen aufgeteilt.
- Dies reduziert die Kommunikationskosten zwischen den Robotern, da die Dimensionen der Teilprobleme ausgewogen sind.
- Vier verschiedene Partitionierungsstrategien (Strong, Eco, Fast, Highest) werden untersucht, wobei sich die Highest-Strategie als am besten geeignet erweist.
-
Beschleunigte Riemannsche Optimierung:
- Basierend auf der beschleunigten Koordinatenabstiegsmethode von Nesterov wird ein Verbesserter Riemannscher Block-Koordinatenabstiegsalgorithmus (IRBCD) entwickelt.
- IRBCD konvergiert global optimal zum ersten-Ordnung-Optimalitätspunkt und übertrifft die Leistung bestehender Riemannscher Optimierungsalgorithmen.
-
Gesamtalgorithmus:
- Der Gesamtalgorithmus kombiniert die mehrstufige Graphpartitionierung mit dem IRBCD-Optimierungsverfahren.
- Experimente zeigen, dass der Gesamtalgorithmus die Kommunikationskosten reduziert und eine höhere Lösungsgenauigkeit als bestehende Methoden erreicht.
Insgesamt präsentiert dieser Artikel einen neuartigen verteilten Pose-Graph-Optimierungsansatz, der die Effizienz und Genauigkeit von kollaborativen SLAM-Systemen verbessert.
Статистика
Die Anzahl der Kanten zwischen den Teilgraphen beträgt bei der Highest-Partitionierung weniger als 1% der Gesamtkanten.
Die durchschnittliche Kommunikationsvolumen-Kennzahl des Gesamtalgorithmus ist um bis zu 15% geringer als bei den Vergleichsalgorithmen.
Цитати
"Die Highest-Partitionierungsstrategie erzielt die beste Partitionierungsqualität unter allen Strategien in dieser CSLAM-Aufgabe."
"Verglichen mit RBCD und RBCD++ verbessert die IRBCD-Methode die Genauigkeit und Konvergenzrate."