Distributed Pose-graph Optimization with Multi-level Partitioning for Collaborative SLAM

本文介绍了一种分布式协作同时定位与建图（DCSLAM）的后端模块，该模块需要在分布式环境下解决非线性位姿图优化问题，也称为SE(d)-同步。现有的分布式图优化算法通常采用简单的顺序划分方案，由于每个机器人的地理位置不同，可能导致子图维度不平衡，从而增加了额外的通信负载。此外，当前黎曼优化算法的性能可以进一步提高。因此，本文提出了一种新的分布式位姿图优化算法，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对原始位姿图进行预处理，以构建一个平衡的优化问题。此外，受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，并得到的临界点是全局最优的。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，并发现最高方案具有最佳的划分性能。我们还进行了模拟实验，定量地证明了我们提出的算法优于现有的分布式位姿图优化协议。

论文旨在解决分布式Pose Graph Optimization（PGO）中的不平衡子图问题，提出一种多层分区和加速Riemannian优化算法相结合的分布式PGO算法。

论文的关键思路是将多层图分区算法与改进的Riemannian块坐标下降（IRBCD）算法相结合，以解决不平衡子图问题。IRBCD算法通过加速坐标下降方法并得到全局最优解。

论文通过实验评估了四种常见的图分区方法对子图间相关性的影响，并发现最高方案具有最佳的分区性能。此外，论文还通过仿真实验展示了提出的算法优于现有的分布式PGO协议。

在最近的研究中，也有一些关于分布式PGO的研究，如《Distributed Pose Graph Optimization via ADMM-based Edge Partitioning and Contraction》和《Distributed Pose Graph Optimization with Relative Measurements: A Consensus-based Approach》。