論文の概要: Overlapping Domain Decomposition for Distributed Pose Graph Optimization

• arxiv url: http://arxiv.org/abs/2603.03499v1
• Date: Tue, 03 Mar 2026 20:12:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.871655
• Title: Overlapping Domain Decomposition for Distributed Pose Graph Optimization
• Title（参考訳）: 分散ポーズグラフ最適化のための重複領域分解
• Authors: Aneesa Sonawalla, Yulun Tian, Jonathan P. How,
• Abstract要約: ROBOは、ポーズグラフ最適化(PGO)のための分散並列アプローチである 隣接するロボット間で追加のポーズ情報を共有することで、基礎となるポーズグラフに重複する最適化ブロックを効果的に生成する。 ロボット間の平均データコストが1イテレーションあたり36Kbと重なると、最先端の分散PGOアプローチよりも3.1$times$高速になることを示す。
• 参考スコア（独自算出の注目度）: 16.747729727115786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present ROBO (Riemannian Overlapping Block Optimization), a distributed and parallel approach to multi-robot pose graph optimization (PGO) based on the idea of overlapping domain decomposition. ROBO offers a middle ground between centralized and fully distributed solvers, where the amount of pose information shared between robots at each optimization iteration can be set according to the available communication resources. Sharing additional pose information between neighboring robots effectively creates overlapping optimization blocks in the underlying pose graph, which substantially reduces the number of iterations required to converge. Through extensive experiments on benchmark PGO datasets, we demonstrate the applicability and feasibility of ROBO in different initialization scenarios, using various cost functions, and under different communication regimes. We also analyze the tradeoff between the increased communication and local computation required by ROBO's overlapping blocks and the resulting faster convergence. We show that overlaps with an average inter-robot data cost of only 36 Kb per iteration can converge 3.1$\times$ faster in terms of iterations than state-of-the-art distributed PGO approaches. Furthermore, we develop an asynchronous variant of ROBO that is robust to network delays and suitable for real-world robotic applications.
• Abstract（参考訳）: 重なり合う領域分解の考え方に基づいて,マルチロボットポーズグラフ最適化(PGO)の分散並列手法であるROBO(Riemannian Overlapping Block Optimization)を提案する。 ROBOは,ロボット間で共有されるポーズ情報の量は,利用可能な通信資源に応じて,各最適化イテレーションで設定できる中央集権型と完全分散型の中間層を提供する。 隣接するロボット間で追加のポーズ情報を共有することで、基礎となるポーズグラフに重複する最適化ブロックを効果的に生成し、収束に必要なイテレーションの数を大幅に削減する。 ベンチマークPGOデータセットの広範な実験を通じて、様々な初期化シナリオにおけるROBOの適用性と実現可能性、様々なコスト関数の使用、および異なる通信体制下での適用性を示す。 また,ROBOの重なり合うブロックが必要とする通信量の増加と局所計算とのトレードオフを解析し,より高速な収束を実現する。 ロボット間の平均データコストが1イテレーションあたり36Kbと重なり合うと、最先端の分散PGOアプローチよりも3.1$\times$高速にイテレーションを収束できることを示す。 さらに,ネットワーク遅延に頑健で,実世界のロボット応用に適したROBOの非同期版を開発する。

関連論文リスト

• Policies over Poses: Reinforcement Learning based Distributed Pose-Graph Optimization for Multi-Robot SLAM [1.3750624267664158]
  多ボットローカライゼーションにおける逐次分散ポーズグラフ最適化(PGO)について検討する。 我々は,PGOをマルコフニューラルネットワーク(GNN)上で定義された部分観測可能なゲームとみなし,各アクションが単一エッジのポーズ推定を洗練させる。 学習者の平均軌道は37.5%減少し,効率は少なくとも6倍向上した。
  論文  参考訳（メタデータ） (2025-10-26T16:21:24Z)
• Accelerating Vehicle Routing via AI-Initialized Genetic Algorithms [53.75036695728983]
  車両ルーティング問題 (VRP) は進化的最適化における基本的なNPハード問題である。 本稿では、強化学習エージェントを事前のインスタンスで訓練し、初期解を迅速に生成する最適化フレームワークを提案する。 このフレームワークは、様々な時間予算において、現在の最先端のソルバよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-04-08T15:21:01Z)
• Communication-Efficient Federated Group Distributionally Robust Optimization [49.14751984342068]
  フェデレーション学習は、異なるクライアントにおけるデータボリュームと分散の不均一性のために、課題に直面します。 グループ分散ロバスト最適化(GDRO)に基づいてこの問題に対処するための既存のアプローチは、しばしば高い通信とサンプルの複雑さをもたらす。 本研究では, 通信効率の高いFederated Group Distributionally Robust Optimizationに適したアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-08T21:07:53Z)
• Communication- and Computation-Efficient Distributed Submodular Optimization in Robot Mesh Networks [2.8936428431504164]
  ロボットメッシュネットワークにおける分散サブモジュール最適化のための通信効率と計算効率の両立手法を提案する。 我々の手法であるResource-Aware Distributed Greedy (RAG)は、新しい分散最適化パラダイムを導入する。 RAGの決定時間はネットワークサイズと線形にスケールするが、最先端の準モジュラ最適化アルゴリズムは3倍にスケールする。
  論文  参考訳（メタデータ） (2024-07-15T01:25:39Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Relative Localization of Mobile Robots with Multiple Ultra-WideBand Ranging Measurements [15.209043435869189]
  ロボット群間の相対的なポーズを,複数のUWB範囲のノードを各ロボットに装備することで推定する手法を提案する。 局所化精度を向上させるため,スライディングウインドウを用いた最適化により,オドメトリー制約を利用する。
  論文  参考訳（メタデータ） (2021-07-19T12:57:02Z)
• Graph Neural Networks for Decentralized Multi-Robot Submodular Action Selection [101.38634057635373]
  ロボットがチームサブモジュールの目的を最大化するために共同で行動を選択する必要があるアプリケーションに焦点を当てる。 分散通信によるサブモジュール化に向けた汎用学習アーキテクチャを提案する。 大規模ロボットネットワークによるアクティブターゲットカバレッジのシナリオにおいて、GNNベースの学習アプローチのパフォーマンスを実証します。
  論文  参考訳（メタデータ） (2021-05-18T15:32:07Z)

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。