位姿图优化（PGO）是机器人领域的关键问题，尤其在多机器人协同定位与建图（SLAM）中至关重要。传统方法通常依赖于集中式求解或复杂的分布式协议，存在计算瓶颈或通信开销大的问题。近期，来自韩国科学技术院（KAIST）等机构的研究人员提出了一种全新的分布式PGO方法——通过连续黎曼动力学将优化问题建模为物理系统的演化过程。
该工作的核心创新在于将每个位姿变量视为具有质量的粒子，并引入阻尼力。系统在黎曼流形上演化，其平衡点恰好对应于原始PGO问题的一阶最优性条件。研究者利用阻尼欧拉-庞加莱方程描述系统动力学，并采用一种半隐式几何积分器进行数值求解。这种设计不仅确保了算法的几何结构保持，还使得该方法能够统一黎曼梯度下降、高斯-牛顿等多种经典优化算法，并通过调节质量与阻尼参数灵活控制收敛行为。
在多机器人分布式场景中，该方法展现出显著优势。通过构建块对角的质量和阻尼矩阵，每个机器人只需解算自身位姿的常微分方程，机器间仅需交换极少量信息（如预测的邻居状态）。特别地，模型同时维护位姿及其速度（协态变量），使得机器人能够根据自身动力学预测邻居的未来位姿，从而在通信延迟发生时有效补偿信息缺失，保持稳定收敛。理论分析部分，作者给出了确保能量单调耗散的几何离散化充分条件，为算法的稳定性提供了严格保证。
实验基于多个公开的PGO基准数据集进行，包括合成数据和真实场景数据。结果表明，在同步通信环境下，所提方法收敛速度与精度显著优于现有分布式高斯-牛顿和交替方向乘子法（ADMM）型基线；在异步且存在通信延迟的困难设置中，该方法凭借邻居预测机制仍能可靠收敛，而其他基线则出现发散或性能严重下降。
该工作不仅为分布式PGO提供了一种优雅的物理学类比，更重要的是提出了一个实用且强大的算法框架。其核心代码在GitHub上开源，方便社区复现与拓展。未来，该团队计划将方法扩展至动态环境下的在线优化，并探索与深度学习的结合。