Factor Graphs in Robot Perception.pdf

简介：
本文探讨了因子图在机器人感知中的应用，通过该图形模型，可以有效地表示和解决机器人导航与定位问题中复杂的概率关系。 本段落回顾了因子图在机器人领域大规模推理问题建模与求解中的应用。因子图属于概率图形模型家族，其他成员包括贝叶斯网络和马尔可夫随机场，在统计建模及机器学习文献中被广泛讨论。它们提供了一种强大的抽象方法，使人们对特定的推理问题有更深的理解，并简化了解决方案的设计以及实现推断操作的模块化软件编写过程。本段落通过同时定位与地图构建（SLAM）等问题来说明因子图的应用，以及其他在实际世界部署机器人时遇到的重要问题。 我们引入了因子图作为表述不同推理问题的一种经济表示方法，为后续章节中讨论解决这些问题的实际方法奠定了基础。文中详细解释了解决任意非线性因子图所需的非线性优化技术，并反复求解大型稀疏线性系统。理解这一更通用算法的关键在于掌握因子图的稀疏结构，这同样有助于理解和改进稀疏因式分解的方法。 本段落深入探讨了机器人推理中底层图形的特性及其受实现选择影响下的稀疏度变化情况，这对于达到高性能算法至关重要。鉴于许多机器人领域的推断问题是增量式的，文中还讨论了一类可以复用先前计算结果的iSAM（增量最小二乘）算法，并将递增矩阵因式分解方法重新解释为图模型上的操作，在此过程中引入了贝叶斯树的概念。 由于在大多数实际情况下需要处理3D旋转及其他非线性流形，文中还介绍了用于这些场合下的高级优化技术。最后，本段落概述了因子图在机器人感知中的应用情况，并强调其对这一领域广泛影响的重要性。