Discrete-Continuous Smoothing and Mapping
Discrete-Continuous Smoothing and Mapping
复制标题
离散连续平滑和映射
DOI：
--
复制
发表时间：
2022
影响因子：
5.2
通讯作者：
J. Leonard
中科院分区：
文献类型：
--
作者：
K. Doherty;Ziqi Lu;Kurran Singh;J. Leonard
我们描述了一个一般的方法，最大后验概率（MAP）的推理在一类离散连续的因素图中经常遇到的机器人应用。虽然有公开可用的工具，提供灵活和易于使用的接口，用于指定和解决推理问题制定的离散或连续的图形模型，目前，没有类似的通用工具存在，使相同的功能，为混合离散连续的问题。我们的目标是解决这个问题。特别是，我们提供了一个库，DC-SAM，扩展现有的工具定义的因素图的设置的离散连续模型的推理问题。我们的工作的一个关键贡献是一个新的求解器，有效地恢复近似解离散连续推理问题。我们的方法的关键见解是，虽然连续和离散状态空间的联合推理通常很难，但许多常见的离散-连续问题可以自然地分为“离散部分”和“连续部分”，可以单独轻松解决。利用这种结构，我们以交替的方式优化离散和连续变量。因此，我们提出的工作可以直接表示和近似推理的离散连续图形模型。我们还提供了一种方法来近似离散和连续变量估计的不确定性。我们证明了我们的方法的多功能性，通过其应用到不同的机器人感知应用程序，包括强大的姿态图优化，基于对象的映射和定位。
We describe a general approach for maximum a posteriori (MAP) inference in a class of discrete-continuous factor graphs commonly encountered in robotics applications. While there are openly available tools providing flexible and easy-to-use interfaces for specifying and solving inference problems formulated in terms of either discrete or continuous graphical models, at present, no similarly general tools exist enabling the same functionality for hybrid discrete-continuous problems. We aim to address this problem. In particular, we provide a library, DC-SAM, extending existing tools for inference problems defined in terms of factor graphs to the setting of discrete-continuous models. A key contribution of our work is a novel solver for efficiently recovering approximate solutions to discrete-continuous inference problems. The key insight to our approach is that while joint inference over continuous and discrete state spaces is often hard, many commonly encountered discrete-continuous problems can naturally be split into a “discrete part” and a “continuous part” that can individually be solved easily. Leveraging this structure, we optimize discrete and continuous variables in an alternating fashion. In consequence, our proposed work enables straightforward representation of and approximate inference in discrete-continuous graphical models. We also provide a method to approximate the uncertainty in estimates of both discrete and continuous variables. We demonstrate the versatility of our approach through its application to distinct robot perception applications, including robust pose graph optimization, and object-based mapping and localization.
登录
查看更多内容
DOI：
10.1109/iros.2018.8593753
发表时间：
2018-10
期刊：
2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)
影响因子：
--
作者：
Jinkun Wang;Brendan Englot
通讯作者：
Jinkun Wang;Brendan Englot
离散图形模型 - 优化视角
DOI：
10.1561/0600000084
发表时间：
2019
期刊：
Found. Trends Comput. Graph. Vis.
影响因子：
--
作者：
Bogdan Savchynskyy
通讯作者：
Bogdan Savchynskyy
DOI：
10.1109/icra.2018.8460217
发表时间：
2018-05
期刊：
2018 IEEE International Conference on Robotics and Automation (ICRA)
影响因子：
--
作者：
Joshua G. Mangelson;Derrick Dominic;R. Eustice;Ram Vasudevan
通讯作者：
Joshua G. Mangelson;Derrick Dominic;R. Eustice;Ram Vasudevan
DOI：
10.1146/annurev-control-091420-084139
发表时间：
2021-01-01
期刊：
ANNUAL REVIEW OF CONTROL, ROBOTICS, AND AUTONOMOUS SYSTEMS, VOL 4, 2021
影响因子：
--
作者：
Garrett, Caelan Reed;Chitnis, Rohan;Lozano-Perez, Tomas
通讯作者：
Lozano-Perez, Tomas