【MIT博士论文】鲁棒几何感知的数据关联算法与表示，176页pdf

数据关联是机器人几何估计的基本要求。识别测量值和模型之间的对应关系使估计过程能够纳入更多的数据，通常导致更好的估计。然而，传感器数据充满了噪声和虚假测量，使得数据关联更具挑战性。本文解决了现实机器人感知中出现的数据关联问题，从而实现鲁棒的几何估计。本文的第一个贡献是提出了一种可扩展的算法，可以在不需要初始数据对齐的情况下，有效地识别高离群值场景中的成对对应关系。通过使用加权图对两两关联问题进行建模，可以在不牺牲阈值信息的情况下找到高度一致关联的大型完全子图，这与以前的方法不同。第二个贡献是引入了一种新的使用仿射格拉斯曼流形的线和平面表示方法。本文着眼于高阶几何抽象，并提供了一种无需初始猜测就能鲁棒地对齐线和平面地标的方法。将其应用于基于激光雷达的定位和闭环中，面对稀疏点云配准的挑战，与典型的表示方法相比，取得了更高的精度和成功率。本文的第三个贡献是将成对数据关联扩展到多路数据关联，其中对多个关联进行共同分析，以提高其准确性并保证其一致性。通过借鉴谱图聚类文献，本文开发了一种计算高效的算法，并提供了具有全局一致性保证的精确解。本文的最后贡献是开发了一种能够直接对成对亲和度进行操作的多路关联算法，而不是像之前的工作那样假设成对二元置换矩阵的可用性。通过推迟成对决策，直到许多成对的相似性可以一起分析，可以得到更高的准确性的关联。综合起来，这些贡献提高了数据关联的鲁棒性，允许在存在不确定性的情况下进行可靠的几何估计。