Eine Baum-Parameterisierung zur effizienten Berechnung von Maximum-Likelihood-Karten mittels Gradientenabstieg

Im Jahr 2006 präsentierten Olson et al. einen neuartigen Ansatz zur Lösung des graphbasierten Problems der gleichzeitigen Lokalisation und Kartierung, indem sie stochastischen Gradientenabstieg anwendeten, um den durch Einschränkungen eingeführten Fehler zu minimieren. Zusammen mit der Mehr-Ebenen-Entspannung gehört dies zu den robustesten und effizientesten Maximum-Likelihood-Techniken, die bisher veröffentlicht wurden. In diesem Papier präsentieren wir eine Erweiterung von Olsons Algorithmus. Dieser wendet eine neuartige Parameterisierung der Knoten im Graphen an, die die Leistung erheblich verbessert und es uns ermöglicht, mit beliebigen Netzwerk-Topologien umzugehen. Letzteres erlaubt es uns, die Komplexität des Algorithmus auf die Größe des kartierten Gebiets und nicht auf die Länge der Trajektorie zu beschränken, wie es bei beiden vorherigen Ansätzen der Fall ist. Wir haben unsere Technik implementiert und mit Mehr-Ebenen-Entspannung und Olsons Algorithmus verglichen. Wie wir in simulierten und realen Experimenten zeigen, konvergiert unser Ansatz schneller als die anderen Ansätze und liefert präzise Karten der Umgebung.