論文の概要: Decentralized Pose Graph Riemannian Optimization for Object-based Multi-Robot SLAM

• arxiv url: http://arxiv.org/abs/2606.24489v1
• Date: Tue, 23 Jun 2026 12:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.940347
• Title: Decentralized Pose Graph Riemannian Optimization for Object-based Multi-Robot SLAM
• Title（参考訳）: オブジェクトベースマルチロボットSLAMのための分散ポッドグラフリーマン最適化
• Authors: Yixian Zhao, Yan Huang, Yang Xu, Liang Li, Jinming Xu,
• Abstract要約: オブジェクトベースのマルチロボットSLAMでは、ロボットがそれぞれの軌道と複数のエージェントが観察する永続オブジェクトのポーズの両方を共同で推定する必要があるため、問題はより緊密に結合される。 既存の分散化されたソリューションは、通信グラフが物理的相互作用トポロジーと密接に一致していると仮定することが多い。 本稿では、オブジェクトベースのマルチロボットPGOのための完全に分散化されたリーマン最適化フレームワークについて、コンセンサス機構を介して結合推定問題を分離し、柔軟な通信トポロジを実現する。
• 参考スコア（独自算出の注目度）: 14.190643126006819
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pose graph optimization (PGO) is a key back-end component for state estimation in networked multi-robot simultaneous localization and mapping (SLAM). In object-based multi-robot SLAM, the problem becomes more tightly coupled because robots must jointly estimate both their trajectories and the poses of persistent objects observed by multiple agents. Existing decentralized solutions often assume that the communication graph closely matches the physical interaction topology, which is restrictive in realistic deployments where communication is sparse, intermittent, or time-varying. This paper presents a fully decentralized Riemannian optimization framework for object-based multi-robot PGO that decouples the coupled estimation problem via a consensus mechanism, enabling flexible communication topologies. To improve convergence under limited communication budgets, we further develop a distributed approximate-Newton scheme that exploits local second-order information while operating directly on the SE(d) manifold to preserve geometric consistency, and we establish the convergence to Riemannian first-order stationary points and provide a local condition-number analysis explaining the benefit of approximate second-order information over first-order Riemannian descent. The resulting method reduces iteration count and communication overhead without sacrificing estimation accuracy. Extensive evaluations on public benchmarks, large-scale simulations, and real-world multi-robot experiments demonstrate improved accuracy, runtime efficiency, scalability across network topologies, and robustness to communication failures.
• Abstract（参考訳）: ポースグラフ最適化(PGO)は、ネットワーク化されたマルチロボットの同時ローカライゼーションとマッピング(SLAM)における状態推定のための鍵となるバックエンドコンポーネントである。 オブジェクトベースのマルチロボットSLAMでは、ロボットがそれぞれの軌道と複数のエージェントが観察する永続オブジェクトのポーズの両方を共同で推定する必要があるため、問題はより緊密に結合される。 既存の分散化されたソリューションは、通信グラフが物理的相互作用トポロジーと密接に一致していると仮定することが多い。 本稿では、オブジェクトベースのマルチロボットPGOのための完全に分散化されたリーマン最適化フレームワークについて、コンセンサス機構を介して結合推定問題を分離し、柔軟な通信トポロジを実現する。 限られた通信予算下での収束を改善するため,SE(d)多様体上で直接操作しながら局所二階情報を利用して幾何整合性を保つ分散近似ニュートンスキームをさらに発展させ,リーマン系一階定常点への収束を確立し,一階リーマン系よりも近似二階情報の利点を説明する局所条件数解析を行う。 その結果、推定精度を犠牲にすることなく、イテレーションカウントと通信オーバーヘッドを低減する。 公開ベンチマーク、大規模シミュレーション、実世界のマルチロボット実験による大規模な評価は、精度の向上、実行効率、ネットワークトポロジ間のスケーラビリティ、通信障害に対する堅牢性を示している。

関連論文リスト

• A Gated Graph Neural Network Approach to Fast-Convergent Dynamic Average Estimation [12.229462448839369]
  本稿では,GGNN(Gated Graph Neural Networks)を用いた高速収束動的平均推定手法を提案する。 提案手法は, GGNNの固有構造を利用して, 推定過程を分散自己回帰器としてモデル化する。 本手法は,収束速度と精度の両方の観点から,従来のモデルに基づく推定値よりも優れていた。
  論文  参考訳（メタデータ） (2026-06-18T21:39:33Z)
• Distributed Pose Graph Optimization via Continuous Riemannian Dynamics [10.991847864573437]
  分散ポーズグラフ最適化(PGO)のためのフレームワークを提案する。 ポーズ変数を減衰する粒子としてモデル化することにより、結果のPGO問題の平衡点は、元のPGO問題の1次臨界点と一致する。 PGOデータセットのベンチマーク実験により,提案手法は同期型と非同期型のいずれにおいても,最先端の分散ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-05-11T20:24:16Z)
• CT-VoxelMap: Efficient Continuous-Time LiDAR-Inertial Odometry with Probabilistic Adaptive Voxel Mapping [15.34037575218496]
  本稿では,B-スプラインの累積形式に基づく新しい連続時間オドメトリー法を提案する。 我々はIMU測定による前方伝播情報を用いて、オンラインの適合誤差を推定し、ハイブリッドな特徴ベースのボクセルマップ管理戦略を導入する。 提案手法は、複数の課題のある公開データセット上で評価され、ほとんどのシーケンスにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2026-04-04T14:27:54Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Communication-Efficient Zeroth-Order Distributed Online Optimization: Algorithm, Theory, and Applications [9.045332526072828]
  本稿では,目標追跡のためのフェデレーション学習環境におけるマルチエージェントゼロ階オンライン最適化問題に焦点を当てる。 提案手法は、2つの関連するアプリケーションにおけるエラーとエラーの観点からさらに解析される。
  論文  参考訳（メタデータ） (2023-06-09T03:51:45Z)
• DESTRESS: Computation-Optimal and Communication-Efficient Decentralized Nonconvex Finite-Sum Optimization [43.31016937305845]
  インターネット・オブ・シング、ネットワークセンシング、自律システム、有限サム最適化のための分散アルゴリズムのためのフェデレーション学習。 非有限サム最適化のためのDecentralized STochastic Recursive MethodDESTRESSを開発した。 詳細な理論的および数値的な比較は、DESTRESSが事前の分散アルゴリズムにより改善されていることを示している。
  論文  参考訳（メタデータ） (2021-10-04T03:17:41Z)
• Communication-Efficient Distributed Stochastic AUC Maximization with Deep Neural Networks [50.42141893913188]
  本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。 我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。 いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
  論文  参考訳（メタデータ） (2020-05-05T18:08:23Z)
• A Unified Theory of Decentralized SGD with Changing Topology and Local Updates [70.9701218475002]
  分散通信方式の統一収束解析を導入する。 いくつかの応用に対して普遍収束率を導出する。 私たちの証明は弱い仮定に依存している。
  論文  参考訳（メタデータ） (2020-03-23T17:49:15Z)

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。