位姿圖最佳化（PGO）是機器人領域的關鍵問題，尤其在多機器人協同定位與建圖（SLAM）中至關重要。傳統方法通常依賴於集中式求解或複雜的分散式協議，存在計算瓶頸或通訊開銷大的問題。近期，來自韓國科學技術院（KAIST）等機構的研究人員提出了一種全新的分散式PGO方法——透過連續黎曼動力學將最佳化問題建模為物理系統的演化過程。
該工作的核心創新在於將每個位姿變數視為具有質量的粒子，並引入阻尼力。系統在黎曼流形上演化，其平衡點恰好對應於原始PGO問題的一階最優性條件。研究者利用阻尼尤拉-龐加萊方程描述系統動力學，並採用一種半隱式幾何積分器進行數值求解。這種設計不僅確保了演算法的幾何結構保持，還使得該方法能夠統一黎曼梯度下降、高斯-牛頓等多種經典最佳化演算法，並透過調節質量與阻尼引數靈活控制收斂行為。
在多機器人分散式場景中，該方法展現出顯著優勢。透過構建塊對角的質量和阻尼矩陣，每個機器人只需解算自身位姿的常微分方程，機器間僅需交換極少量資訊（如預測的鄰居狀態）。特別地，模型同時維護位姿及其速度（協態變數），使得機器人能夠根據自身動力學預測鄰居的未來位姿，從而在通訊延遲發生時有效補償資訊缺失，保持穩定收斂。理論分析部分，作者給出了確保能量單調耗散的幾何離散化充分條件，為演算法的穩定性提供了嚴格保證。
實驗基於多個公開的PGO基準資料集進行，包括合成資料和真實場景資料。結果表明，在同步通訊環境下，所提方法收斂速度與精度顯著優於現有分散式高斯-牛頓和交替方向乘子法（ADMM）型基線；在非同步且存在通訊延遲的困難設定中，該方法憑藉鄰居預測機制仍能可靠收斂，而其他基線則出現發散或效能嚴重下降。
該工作不僅為分散式PGO提供了一種優雅的物理學類比，更重要的是提出了一個實用且強大的演算法框架。其核心程式碼在GitHub上開源，方便社群復現與拓展。未來，該團隊計劃將方法擴充套件至動態環境下的線上最佳化，並探索與深度學習的結合。