文献阅读-GNC----IEEE Robotics and Automation Letters (RA-L), 2020.

稳健空间感知的渐进非凸性:从非最小解算器到全局离群剔除

(Graduated Non-Convexity for Robust Spatial Perception:From Non-Minimal Solvers to Global Outlier Rejection-------IEEE Robotics and Automation Letters (RA-L), 2020.)

0 问题的引出

问题1

在outlier-free情况下，可以用最小二乘求解x。
x: 待求量；
yi：第i次测量值 ;
r(yi,x): 残差函数

问题2

存在outlier时，上图中式(1)失效，产生(1)的变形式：
(2)也称为Robust estimation。

即通过将最小二乘问题(1)中的二次代价替换为稳健代价ρ(·)来恢复稳健性。

I 摘要

Semidefinite Programming (SDP) and Sums-of-Squares (SOS) 产生最优 non-minimal solvers。

但是，大多数non-minimal solver使用了最小二乘公式，对outlier很敏感。

虽然针对异常值恢复鲁棒性的标准方法是使用鲁棒代价函数，但后者通常会引入其他非凸性，从而阻止使用现有的non-minimal solvers。

在本文中，我们通过提供一种鲁棒全局估计的通用方法，使非最小求解器和鲁棒估计能够同时使用。

为此，我们利用了健壮估计和离群过程(传统上应用于早期视觉问题)之间的Black-Rangarajan对偶性，并表明渐进非凸性(GNC)可以与非最小解一起使用来计算健壮解，而不需要初始猜测。

non-minimal solvers只能在outlier被去除后才能开始应用。

II 相关工作

A. outlier-free Estimation

A1. Minimal Solvers(最小求解器)

最小求解器使用所需的最小数量的测量值 来估计变量x。

A2. Non-minimal Solvers

最小求解器不利用数据冗余，因此可能对测量噪声敏感。由此导致非最小求解器的发展。

通常，非最小求解器假定测量噪声为高斯，这将导致最小二乘优化框架。

B. Robust Estimation

B1. Global Methods

如果一种稳健的方法不需要初始猜测，我们将其称为全局方法。

1.几种全局方法采用==共识最大化( consensus maximization)==的框架，该框架寻找 在规定的估计误差内 使测量值数量最大化的 变量x的估计值。

RANSAC是一种广泛使用的启发式算法，适用于存在最小求解器的情况。但RANSAC并不提供最优性保证，其运行时间随离群值比率呈指数增长。

2.全局方法的另一个框架是M-估计，它求助于稳健的成本函数(cost)。
3.最后，还采用了渐进式非凸性(GNC)方法来优化稳健成本(robust cost)。

B2. local Methods

与全局方法不同，局部方法需要初始猜测。

III. Black-Rangarajan对偶与渐近非凸性(GNC)

A. Black-Rangarajan Duality

已知Robust estimation 问题(2):

Black-Rangarajan Duality引理如下： 该引理的主要结论是：在一定条件下，问题(2)和(3)等价。

问题(3)也称为outlier process

B. Graduated Non-Convexity (GNC)

Graduated Non-Convexity (GNC)是一般非凸代价函数ρ(·)的一种常用优化方法。

GNC的基本思想：

引入由控制参数µ控制的代理 cost ρµ(·)，使得:
(I)对于某一µ值，函数ρµ(·)是凸的，
(ii)在µ取某个极限值时(通常是µ到1或无穷大时)，恢复原始的(非凸)ρ(·)。

GNC算法流程

GNC从其凸cost ρµ(·)开始，逐渐改变µ(即逐渐增加非凸量)，直到恢复原来的非凸函数，从而计算出非凸问题的解。每次迭代得到的解被用作后续迭代的初始猜测。

IV. THE GNC ALGORITHM FOR ROBUST ESTIMATION

A. Overview: GNC Algorithm with Non-minimal Solvers

我们提出了一种结合GNC、BlackRangarajan对偶和非最小求解器的算法来==解决稳健估计问题(2)，==而不需要初始猜测。
对问题(2)的解决是使用GNC的思想。

外迭代

问题(2)是非凸问题，将问题(2)的cost函数用凸cost== ρµ(·)代替，每次迭代中逐渐改变µ(即逐渐增加非凸量)，直到恢复原来的非凸函数，从而计算出非凸问题的解。每次迭代得到的解被用作后续迭代的初始猜测。

内迭代

每次进行外迭代时，µ的值是固定的。利用Black-Rangarajan Duality将上式等价转化为下式，来完成：

在每次外迭代中，存在 内迭代：
内迭代步骤：
第t次内迭代
(1) 固定wi(t−1)，最优化下式得到x：(第二项与x无关，直接删去)

(2)固定x (即(1)中求出的x) ，最优化权重wi:

B. The GNC Algorithm with GM and TLS Costs

…