A Decoupled and Linear Framework for Global Outlier Rejection over Planar Pose Graph
Zhejiang University（浙江大学）
我们提出了一个强大的框架，平面姿态图优化污染的循环封闭离群值。我们的框架拒绝离群值，首先解耦的截断最小二乘内核包装成两个子问题的强大的PGO问题。然后，该框架引入了一个线性角度表示来重写最初用旋转矩阵制定的第一个子问题。该框架配置了分级非凸（GNC）算法，以解决连续的两个非凸子问题，而无需初始猜测。由于这两个子问题的线性特性，我们的框架只需要线性求解器来最佳地解决GNC中遇到的优化问题。我们广泛地验证了所提出的框架，命名为DEGNC-LAF（解耦渐变非凸线性角度公式）在平面PGO基准。事实证明，它的运行速度比标准和通用GNC快得多（有时高达30倍以上），同时产生高质量的估计。
2023-03-19 cs.RO math.OC
Following a Unique Path: A Fast Certifier Applied to Outlier-Robust Pose Registration
University of Toronto Robotics Institute（多伦多大学机器人研究所）；University of Toronto（多伦多大学）
本文提出中央路径验证器（CP-Cert），针对机器人学中SDP松弛退化问题优化可验证方法，将其应用于位姿配准与点云关联，速度比现有方法快三个数量级，构建了异常值鲁棒的位姿估计流水线并验证于真实数据。
2026-09-04 cs.RO
Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints
University of California, San Diego（加利福尼亚大学圣迭戈分校）
从连续帧中估计相对相机姿态是视觉里程计（VO）和同时定位与地图构建（SLAM）中的基本问题，其中由手工制作的特征和基于采样的离群值拒绝组成的经典方法已经成为十多年的主导选择。虽然多个作品提出用基于学习的对应物取代这些模块，但大多数还没有像传统方法那样准确，强大和可推广。在本文中，我们设计了一个端到端的可训练框架，由可学习的模块检测，特征提取，匹配和离群值拒绝，同时直接优化的几何姿态目标。我们表明，定量和定性的姿态估计性能可以达到与经典的管道。此外，我们能够通过端到端的训练来证明，管道的关键组件可以得到显着改进，与现有的基于学习的方法相比，这可以更好地推广到不可见的数据集。
2020-07-29 cs.CV cs.RO
Graduated Non-Convexity for Robust Spatial Perception: From Non-Minimal Solvers to Global Outlier Rejection
Massachusetts Institute of Technology（麻省理工学院）
半定规划（SDP）和平方和（SOS）松弛导致了一些机器人和计算机视觉问题的可证明的最佳非最小解算器。然而，大多数非最小解算器依赖于最小二乘公式，因此，对离群值很脆弱。虽然恢复对离群值的鲁棒性的标准方法是使用鲁棒成本函数，但后者通常会引入其他非凸性，从而阻止使用现有的非最小解算器。在本文中，我们使非最小的求解器和鲁棒估计的同时使用，提供了一个通用的方法，鲁棒全局估计，它可以应用于任何问题，其中一个非最小的求解器是可用的离群自由的情况下。为此，我们利用Black-Rangarajan对偶之间的鲁棒估计和离群过程（传统上已应用于早期视觉问题），并表明，分级非凸性（GNC）可以与非最小解算器一起使用来计算鲁棒的解决方案，而不需要初始猜测。虽然GNC的全局最优性不能得到保证，我们证明了经验的鲁棒性所产生的强大的非最小解算器在应用程序中，包括点云和网格配准，姿态图优化，基于图像的对象姿态估计（也称为形状对齐）。我们的求解器对70-80%的离群值具有鲁棒性，优于RANSAC，比专门的局部求解器更准确，比专门的全局求解器更快。我们还提出了第一个可证明的最佳非最小解形状对齐SOS松弛。
2020-06-11 cs.CV cs.RO math.OC
TACO: A Test and Check Framework for Robust Pose Graph Optimization
Queensland University of Technology（昆士兰科技大学）；University of Padova（帕多瓦大学）
提出TACO框架，通过增量概率一致性算法和可切换异常值清理组件，在线滤除位姿图优化中的异常值，在2D和3D SLAM数据集上达到90%和83%的成功率，平均收敛时间约45ms和100ms。
2026-07-01 cs.RO
Robust and Efficient Relative Pose with a Multi-camera System for Autonomous Vehicle in Highly Dynamic Environments
Northwestern Polytechnical University（西北工业大学）；Australian National University（澳大利亚国立大学）；Australia Centre of Excellence for Robotic Vision (ACRV)（澳大利亚机器人视觉卓越中心）
本文研究了在高度动态和可能的杂乱环境中自动驾驶车辆的相对位姿问题。这是一个具有挑战性的情况下，由于存在多个，大的，独立移动的对象在环境中，这往往会导致过多的离群值的部分，并导致错误的运动估计。现有的算法不能很好地处理这种情况。本文提出了一种新的算法，使用多个不重叠的独立相机的多相机系统的相对位姿。即使异常值的数量是压倒性的，该方法也能稳健地工作。通过利用特定的驾驶场景的先验知识，我们已经开发了一个有效的4点算法的多摄像机相对姿态，它承认通过求解多项式求根方程的解析解，并运行非常快（在约0.5 $u$ s每根）。当求解器与RANSAC结合使用时，我们能够快速修剪不希望的假设，显着提高找到内点的机会。在合成数据上的实验验证了该算法的性能。对真实数据的测试进一步证实了该方法的实用性。
2016-05-12 cs.CV cs.RO
In Perfect Shape: Certifiably Optimal 3D Shape Reconstruction from 2D Landmarks
Laboratory for Information & Decision Systems (LIDS)（信息与决策系统实验室（LIDS））；Massachusetts Institute of Technology（麻省理工学院）
我们研究的问题，从一个单一的图像中提取的二维地标的三维形状重建。我们采用三维可变形形状模型，并制定重建作为一个联合优化的相机姿态和线性形状参数。我们的第一个贡献是应用Lasserre的层次结构的凸平方和（SOS）松弛来解决形状重建问题，并表明SOS松弛的最小阶2经验解决了原来的非凸问题。我们的第二个贡献是利用目标函数中多项式的结构，并找到一组减少的SOS松弛的基础单项式，显着降低所得到的半定程序（SDP）的大小，而不影响其准确性。据我们所知，这两个贡献导致了第一个可证明的3D形状重建最佳求解器，我们将其命名为Shape*。我们的第三个贡献是使用截断最小二乘（TLS）鲁棒成本函数向Shape* 添加离群值拒绝层，并利用渐进非凸性来解决TLS而无需初始化。其结果是一个强大的重建算法，名为形状#，容忍大量的离群值测量。我们在模拟和真实实验中评估了Shape* 和Shape#的性能，结果表明Shape* 优于局部优化和以前的凸松弛技术，而Shape#达到了最先进的性能，并且对FG3DCar数据集中70%的离群值具有鲁棒性。
2020-03-21 cs.CV cs.RO math.OC
A Probabilistic Relaxation of the Two-Stage Object Pose Estimation Paradigm
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）
针对物体位姿估计中一对一点匹配导致两阶段割裂且难以处理对称、遮挡等问题，提出无需匹配的概率公式，统一并发优化视觉对应与几何对齐，并建模多模态位姿分布。
2023-06-01 cs.CV cs.RO
Outram: One-shot Global Localization via Triangulated Scene Graph and Global Outlier Pruning
Nanyang Technological University（南洋理工大学）；The Hong Kong University of Science and Technology（香港科技大学）
Outram提出一种基于3D场景图子结构的分层一次性LiDAR定位算法，通过局部一致对应搜索与全局离群值剪枝的耦合，解决子结构歧义问题，并在多个大规模室外数据集中验证了有效性。
2023-09-16 cs.RO
Outlier-Robust Estimation: Hardness, Minimally Tuned Algorithms, and Applications
Massachusetts Institute of Technology（麻省理工学院）；University of Michigan（密歇根大学）
机器人和视觉中的非线性估计通常受到异常值的困扰，这是由于错误的数据关联，或者来自信号处理和机器学习方法的不正确检测。本文介绍了两个统一的公式，广义最大共识（G-MC）和广义截断最小二乘（G-TLS）的离群抗差估计，并研究了基本的限制，实用算法和应用。我们的第一个贡献是一个证明，离群稳健估计是不可近似的：在最坏的情况下，它是不可能的（甚至近似）找到一组离群值，即使慢于多项式时间算法（特别是，算法运行在准多项式时间）。作为第二个贡献，我们审查和扩展两个通用的算法。第一种是自适应裁剪（ADAPT），是组合的，适用于G-MC;第二种是渐变非凸性（GNC），基于同伦方法，适用于G-TLS。我们将ADAPT和GNC扩展到用户不具有内点噪声统计的先验知识（或者统计可能随时间而变化）并且无法猜测将内点与离群点分开的合理阈值（如RANSAC中常用的阈值）的情况。我们提出了第一个最低限度的调整算法离群拒绝，动态地决定如何从离群值分离内点。我们的第三个贡献是机器人感知问题的建议算法的评估：网格注册，基于图像的目标检测（形状对齐），姿态图优化。ADAPT和GNC是实时执行的，是确定性的，优于RANSAC，并且对80-90%的异常值具有鲁棒性。他们的最小调谐版本也与最先进的水平相比，即使他们不依赖于内点的噪声边界。
2021-07-02 cs.CV cs.RO
Optimal and Robust Category-level Perception: Object Pose and Shape Estimation from 2D and 3D Semantic Keypoints
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）
本文提出PACE3D*/PACE2D*可认证最优求解器及其异常值鲁棒版本PACE3D#/PACE2D#，结合ROBIN图论框架从2D/3D关键点实现类别级物体位姿与形状估计，并在ApolloScape等数据集上验证了优越性能。
2023-09-17 cs.CV cs.RO
Reformulating AI-based Multi-Object Relative State Estimation for Aleatoric Uncertainty-based Outlier Rejection of Partial Measurements
Control of Networked Systems Group, University of Klagenfurt（克雷根弗特大学网络化系统控制组）
本文提出通过重新表述测量方程，利用DNN预测的概率不确定性来提高基于AI的多目标相对状态估计中部分测量异常值剔除的性能。
2026-02-02 cs.RO
CLIPPER: A Graph-Theoretic Framework for Robust Data Association
Massachusetts Institute of Technology（麻省理工学院）
我们提出了CLIPPER（一致性链接，修剪和成对错误纠正），在噪声和离群值的存在下，强大的数据关联的框架。我们制定了一个图论框架中的问题，使用几何一致性的概念。使用该框架的最新技术利用不能很好地扩展到大尺寸问题的组合优化技术，或者使用在高噪声、高异常值状态下产生低准确度的启发式近似。相比之下，CLIPPER使用组合问题的松弛，并返回保证对应于原始问题的最优解的解决方案。低时间复杂度是通过一个有效的投影梯度上升方法来实现的。实验表明，CLIPPER保持一贯的低运行时间为15毫秒，精确的方法可能需要高达24秒，在其峰值，即使是小规模的问题与200个协会。当对噪声点云配准问题进行评估时，CLIPPER在90%的离群值范围内实现了100%的准确率和98%的召回率，而竞争算法开始降低70%的离群值。在将斯坦福兔子的噪声点与990个离群值关联和仅10个内点关联相关联的实例中，CLIPPER成功地在138 ms内以100%的精度返回8个内点关联。代码可在https://mit-acl.github.io/clipper上获得。
2021-04-09 cs.CV cs.RO
GNSS Outlier Mitigation Via Graduated Non-Convexity Factor Graph Optimization
Hong Kong Polytechnic University（香港理工大学）
可以在无离群点的开放区域实现基于全球导航卫星系统的精确和全球参照的车辆定位。然而，全球导航卫星系统的性能可能会显着下降的离群值测量，如多路径效应和非视线（NLOS）接收所产生的信号反射的建筑物。受批量历史数据在抵抗离群测量方面的优势启发，本文提出了一种分级非凸因子图优化算法（FGO-GNC）来提高GNSS定位性能，通过估计GNSS测量值的最优权重来减轻GNSS离群值的影响。与现有的局部解不同，FGO-GNC采用非凸的GM（Geman McClure）函数，通过由粗到细的松弛过程来全局估计GNSS测量值的权重。所提出的方法的有效性进行了验证，通过几个具有挑战性的数据集收集在香港的城市峡谷使用汽车级和低成本的智能手机级GNSS接收器。
2021-09-02 cs.RO eess.SP
TEASER: Fast and Certifiable Point Cloud Registration
Massachusetts Institute of Technology（麻省理工学院）；Laboratory for Information & Decision Systems（信息与决策系统实验室）
我们提出了第一个快速和可验证的算法，用于在存在大量异常值对应关系的情况下注册两组3D点。我们首先重新制定的注册问题，使用截断最小二乘（TLS）的成本是不敏感的一大部分虚假的对应关系。然后，我们提供了一个通用的图论框架来解耦尺度，旋转和平移估计，这允许在级联中解决这三个变换。尽管事实上，每个子问题仍然是非凸和组合的性质，我们表明，（i）TLS规模和（分量方式）平移估计可以经由自适应投票在多项式时间中求解，（ii）TLS旋转估计可以被放松为半定规划（SDP）并且该放松是紧密的，即使在存在极端离群值率的情况下，以及（iii）图论框架允许通过找到最大团来大幅修剪离群值。我们命名的算法TEASER（截断最小二乘估计和SEminifirm松弛）。虽然解决大型SDP松弛通常很慢，但我们开发了第二个快速且可验证的算法，名为TEASER++，该算法使用分级非凸性来解决旋转子问题，并利用Douglas-Rachford分裂来有效地验证全局最优性。对于这两种算法，我们提供了理论界的估计误差，这是第一个强大的注册问题。此外，我们在标准，目标检测和3DMatch基准测试中测试了它们的性能，并表明（i）这两种算法都占主导地位，并且对超过99%的异常值具有鲁棒性，（ii）TEASER++可以在毫秒内运行，（iii）TEASER++非常强大，它也可以解决没有对应关系的问题，其中它在很大程度上优于ICP，并且它比G…
2020-10-17 cs.CV cs.RO math.OC
Model-Based Real-Time Pose and Sag Estimation of Overhead Power Lines Using LiDAR for Drone Inspection
Department of Mechanical Engineering, Universite de Sherbrooke（机械工程系，Sherbrooke大学）；Hydro-Québec Research Institute (IREQ)（水电公司研究 institute (IREQ)）
本文提出一种基于LiDAR测量与单一几何模型最小化误差的方法，解决了无人机巡检架空电力线时导线点少、检测不全及干扰物区分的定位难题，实现了每帧50ms内的高精度实时位姿与弧垂估计，且对异常值具有强鲁棒性。
2025-06-25 cs.CV cs.RO
Learning Markerless Robot-Depth Camera Calibration and End-Effector Pose Estimation
Koc University（科奇大学）
传统的外部校准方法使用基准标记，基于学习的方法严重依赖于仿真数据。在这项工作中，我们提出了一个基于学习的无标记外部校准系统，使用深度相机，不依赖于模拟数据。我们从自动生成的真实数据中学习用于末端执行器（EE）分割、单帧旋转预测和关键点检测的模型。我们使用变换技巧从旋转预测中获得EE姿态估计，并使用匹配算法从关键点预测中获得EE姿态估计。我们进一步利用迭代最近点算法，多帧，过滤和离群值检测，以增加校准的鲁棒性。我们的评估与训练数据从多个相机姿势和测试数据从以前看不见的姿势给亚厘米和亚分弧度的平均校准和姿势估计误差。我们还表明，一个精心选择的单一训练姿势给出了可比的结果。
2022-12-15 cs.CV cs.RO
Estimation Contracts for Outlier-Robust Geometric Perception
Massachusetts Institute of Technology（麻省理工学院）
异常值-稳健估计是一个基本问题，一直受到统计学家和实践者的广泛研究。在过去的几年里，已经看到了收敛跨研究领域的“算法的强大的统计”，重点是开发易于处理的离群强大的技术，高维估计问题。尽管有这种趋同，但各领域的研究工作大多彼此脱节。这本专着桥梁最近的工作可证明的离群值-稳健估计的几何感知机器人和计算机视觉与平行的工作，在强大的统计。特别是，我们调整和扩展了鲁棒线性回归（适用于<< 50%离群值的低离群值制度）和列表可解码回归（适用于>> 50%离群值的高离群值制度）的最新结果，以适应机器人和视觉中常见的设置，其中（i）变量（例如，旋转、姿态）属于非凸域，（ii）测量值是矢量值，以及（iii）异常值的数量先验未知。这里的重点是性能保证：而不是提出全新的算法，我们提供的条件下，现代估计算法（可能经过小的修改）的输入测量，保证恢复估计接近地面真理的存在离群值。这些条件就是我们所说的“估价合同”。除了对现有结果的扩展外，我们认为这本专著的主要贡献是（i）通过指出共性和差异来统一平行的研究路线，（ii）引入先进的材料（例如，平方和证明）在一个访问和自包含的介绍从业者，及（iii）指出一些直接的机会和开放的问题，在离群强大的几何感知。
2022-12-16 cs.CV cs.DS cs.LG
Scale jump-aware pose graph relaxation for monocular SLAM with re-initializations
ShanghaiTech University（上海科技大学）；Midea Robozone（美的机器人与自动化事业部）
针对单目SLAM重初始化时帧间相对尺度未知的问题，提出结合常规相似性约束与尺度盲约束的混合位姿图松弛方法，可在多次重初始化下恢复全局一致轨迹。
2023-07-23 cs.RO
PO-VINS: An Efficient and Robust Pose-Only Visual-Inertial State Estimator With LiDAR Enhancement
Wuhan University（武汉大学）；Hubei Luojia Laboratory（湖北珞珈实验室）
本研究提出纯位姿形式的紧耦合激光雷达增强视觉惯性状态估计器PO-VINS，通过推导深度不确定性剔除外点、构建多状态约束激光雷达深度测量模型，在因子图框架下紧融合多类测量，实现了效率与精度的双重提升。
2024-09-11 cs.RO
Outlier-Robust Spatial Perception: Hardness, General-Purpose Algorithms, and Guarantees
Massachusetts Institute of Technology（麻省理工学院）
本文研究了空域感知中异常数据的影响，提出了一种通用算法来有效去除异常，并提供了对算法性能的理论保证。
2019-07-29 cs.CV cs.LG cs.RO
IPC: Incremental Probabilistic Consensus-based Consistent Set Maximization for SLAM Backends
University of Padova（帕多瓦大学）
针对SLAM中位姿图优化易受大量异常测量值影响的问题，提出增量概率一致性方法IPC，通过带内点否决权的一致性流程增量求解最大一致测量集，在标准基准上性能优于或比肩现有方法且支持在线运行，已开源。
2024-08-15 cs.RO
GMCR: Graph-based Maximum Consensus Estimation for Point Cloud Registration
BMW Group（宝马集团）；Technical University of Munich（慕尼黑工业大学）；University of Glasgow（格拉斯哥大学）；Donders Institute for Brain and Cognition, Radboud University（拉德堡德大学唐德斯脑与认知研究所）
针对点云配准中高外点率导致最大共识估计NP难的问题，提出GMCR，将共识目标映射为图上最大团并闭式求解位姿，在多个基准上实现高精度与高效率。
2023-09-28 cs.RO
Globally optimal consensus maximization for robust visual inertial localization in point and line map
Zhejiang University（浙江大学）；Beijing Institute of Spacecraft System Engineering（北京空间飞行器总体设计部）；Huawei Incorporated Company（华为技术有限公司）；the University of Technology, Sydney（悉尼科技大学）
基于地图的视觉惯性定位是移动机器人状态估计中减小漂移的关键步骤。定位的根本问题是从一组3D-2D特征对应关系中估计姿态，其中主要的挑战是异常值的存在，特别是在不断变化的环境中。在本文中，我们提出了一个强大的解决方案的共识最大化问题，这是不敏感的高百分比的离群值的有效的全局优化的基础上。首先，我们引入平移不变测量（TIM）的点和线解耦的共识最大化问题的旋转和平移子问题，允许一个两阶段的求解器与降低的解决方案的尺寸。然后，我们表明：（i）旋转可以通过最小化TIM仅使用1维分支定界（BnB）计算，（ii）平移可以通过运行1维搜索三次优先渐进投票。与流行的随机化求解器相比，我们的求解器实现了确定性的全局收敛性，而不依赖于初始值。虽然与现有的BNB为基础的方法相比，我们是指数更快。最后，通过评估模拟和真实世界数据集上的性能，我们的方法给出了准确的姿态，即使有90%的离群值（只有2个内点）。
2020-03-25 cs.RO
Certifiably Optimal Rotation and Pose Estimation Based on the Cayley Map
Robotics Institute, University of Toronto（多伦多大学机器人研究所）
针对旋转与位姿估计，本文基于Cayley映射的各向异性噪声模型，将估计问题转化为QCQP并松弛为SDP，利用拉格朗日强对偶性后验保证全局最优性，并应用于位姿平均与轨迹估计。
2024-05-31 cs.RO
CLIPPER: Robust Data Association without an Initial Guess
Massachusetts Institute of Technology（麻省理工学院）
本文提出基于稠密边加权团优化的无初始猜测鲁棒数据关联方法CLIPPER，通过凸半定松弛与快速一阶算法，在点云配准中实现95%离群点下的鲁棒性，显著优于现有方法。
2024-02-11 cs.LG cs.RO
