GBP太慢？H-GBP两阶段抽象恢复，大规模位姿图优化直接飙到最快！
Hierarchy-GBP: Accelerating Factor Graph Inference via Abstraction and Recovery
📖 AI 总结
本文提出 Hierarchy-GBP（H-GBP），一种用于加速高斯信念传播（GBP）的两阶段迭代框架。作者发现，GBP 在局部修正上效率很高，能快速平滑相邻变量间剧烈变化的误差，但对跨越图远距离区域的全局误差只能通过长程消息传递逐步修正，因而收敛缓慢。H-GBP 的思路是先以粗粒度图近似（抽象）求解全局误差，再将其投影回原始图（恢复），最后用 GBP 精修残余的局部误差。作者通过推导抽象与恢复步骤的组合矩阵算子并分析其谱半径，证明了 H-GBP 收敛到最优解。在线性稀疏图上的实验表明其收敛速度从根本上快于标准 GBP；在姿态图优化（PGO）与光束法平差（BA）两个空间问题上，H-GBP 显著加速大规模 PGO，并在所有测试规模的 BA 上达到当前最优运行时间。该工作为可扩展空间智能中的图推理提供了更高效的求解途径。
🔑 关键词速览
| Gaussian Belief Propagation (GBP) | 一种在概率图模型中进行分布式推理的消息传递算法，适用于高斯分布下的空间智能问题。 |
| Hierarchy-GBP (H-GBP) | 本文提出的两阶段迭代框架，通过图抽象和恢复加速GBP，先解决全局误差再细化局部误差。 |
| Pose Graph Optimization (PGO) | 位姿图优化，一种用于SLAM等空间问题的优化方法，通过图模型优化机器人位姿。 |
| Bundle Adjustment (BA) | 光束法平差，一种从图像中同时优化三维点和相机参数的经典方法，常用于三维重建。 |
| Spectral Radius | 矩阵特征值绝对值的最大值，用于分析迭代算法的收敛速度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅