論文の概要: Discrete-Continuous Smoothing and Mapping
- arxiv url: http://arxiv.org/abs/2204.11936v1
- Date: Mon, 25 Apr 2022 19:31:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 13:07:11.831497
- Title: Discrete-Continuous Smoothing and Mapping
- Title（参考訳）: 離散連続平滑化とマッピング
- Authors: Kevin J. Doherty and Ziqi Lu and Kurran Singh and John J. Leonard
- Abstract要約: 本稿では,ロボット工学の応用においてよく見られる離散連続因子グラフのクラスによるスムース化とマッピングに関する一般的なアプローチについて述べる。
我々は,因子グラフから離散連続モデルの設定まで,既存の最適化ツールであるDC-SAMを提供する。
- 参考スコア（独自算出の注目度）: 8.90077503980675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We describe a general approach to smoothing and mapping with 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 optimization 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
optimization 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
optimization 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 recover the uncertainty in estimates of
both discrete and continuous variables. We demonstrate the versatility of our
approach through its application to three distinct robot perception
applications: point-cloud registration, robust pose graph optimization, and
object-based mapping and localization.
- Abstract（参考訳）: 本稿では,ロボット工学の応用でよく見られる離散連続因子グラフを用いた平滑化とマッピングの一般的なアプローチについて述べる。
離散的または連続的なグラフィカルモデルで定式化された最適化問題の特定と解決のために、柔軟で使いやすいインターフェースを提供するオープンツールがあるが、現時点では同様の一般的なツールは存在していない。
私たちはこの問題に取り組みたい。
特に、因子グラフの観点で定義される最適化問題から離散連続モデルの設定へ、既存のツールを拡張したライブラリdc-samを提供する。
我々の研究の重要な貢献は、離散連続最適化問題に対する近似解を効率的に回収する新しい解法である。
このアプローチの鍵となる洞察は、連続的および離散的な状態空間に対する合同推論はしばしば困難であるが、一般的に遭遇する離散連続問題の多くは、個別に解ける「離散部分」と「連続部分」に自然に分割できるということである。
この構造を利用して離散変数と連続変数を交互に最適化する。
その結果, 離散連続グラフィカルモデルにおいて, 直接的および近似的推論が可能となった。
また,離散変数と連続変数の両方の推定の不確かさを回復する方法を提案する。
我々は,そのアプローチの汎用性を,ポイントクラウド登録,ロバストポーズグラフ最適化,オブジェクトベースのマッピングとローカライゼーションという,3つの異なるロボット認識アプリケーションに適用することで実証する。
関連論文リスト
- Randomized algorithms and PAC bounds for inverse reinforcement learning in continuous spaces [47.907236421762626]
本研究は、連続状態と作用空間を持つ離散時間割引マルコフ決定過程を研究する。
まず、専門家の政策全体にアクセスでき、逆問題に対する解決策の集合を特徴づけるケースについて考察する。
論文 参考訳（メタデータ） (2024-05-24T12:53:07Z) - It's All in the Mix: Wasserstein Machine Learning with Mixed Features [5.739657897440173]
混合機能問題の解法として,実用的なアルゴリズムを提案する。
提案手法は, 個々の特徴が存在する場合の既存手法を著しく上回りうることを示す。
論文 参考訳（メタデータ） (2023-12-19T15:15:52Z) - Variational Annealing on Graphs for Combinatorial Optimization [7.378582040635655]
解変数間の統計的依存関係を捉える自己回帰的手法は,多くのCO問題に対して優れた性能を示すことを示す。
本稿では,一組の解変数の構成を単一トークンで表すサブグラフトークン化を提案する。
論文 参考訳（メタデータ） (2023-11-23T18:56:51Z) - Minimax Optimization: The Case of Convex-Submodular [50.03984152441271]
ミニマックス問題は連続領域を超えて連続離散領域や完全離散領域にまで拡張される。
連続変数に関して目的が凸であり、離散変数に関して部分モジュラーであるような凸-部分モジュラーミニマックス問題のクラスを導入する。
提案アルゴリズムは反復的であり、離散最適化と連続最適化の両方のツールを組み合わせる。
論文 参考訳（メタデータ） (2021-11-01T21:06:35Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-30T19:17:35Z) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳（メタデータ） (2021-07-23T13:43:34Z) - Joint Continuous and Discrete Model Selection via Submodularity [1.332560004325655]
機械学習のモデル選択問題では、意味のある構造を持つ優れたモデルに対する欲求は、典型的には正規化された最適化問題によって表される。
しかし、多くのシナリオでは、数値的に意味のある構造が離散空間において特定され、難しい非最適化問題を引き起こす。
我々は、ロバスト最適化によって動機づけられた特定の問題クラスに対して、単純な連続的あるいは離散的な制約をいかに扱うかを示す。
論文 参考訳（メタデータ） (2021-02-17T21:14:47Z) - Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。
提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文 参考訳（メタデータ） (2020-07-03T15:19:17Z) - Consistent Second-Order Conic Integer Programming for Learning Bayesian
Networks [2.7473982588529653]
連続観測データからBNのスパースDAG構造を学習する問題について検討する。
この数学的プログラムの最適解は、ある条件下では望ましい統計的性質を持つことが知られている。
ほぼ最適解を得るために, 分岐・結合プロセスの終了に向け, 早期停止条件を提案する。
論文 参考訳（メタデータ） (2020-05-29T00:13:15Z) - Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。
提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。
本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文 参考訳（メタデータ） (2020-02-20T11:11:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。