在机器人学中，许多非凸问题需要可验证的全局最优性保证。近年的常用做法是借助凸半定规划（SDP）松弛，将问题转化为可验证的形式。性能最好的方法通常先用局部求解器获得候选解，再利用高效的线性代数技巧验证该候选解是否为全局最优。然而，对于机器人学中不少重要问题，松弛往往会呈现出一种退化现象，使得这种“先局部求解、再验证”的路线无法奏效。此时，研究人员往往只能对整个松弛重新进行代价高昂的凸优化。
为了填补这一空白，Connor Holmes 与另一位合作者提出了中央路径验证器（Central-Path Certifier，简称 CP-Cert）。该方法专门针对具有上述退化形态的问题而设计。它以候选解为起点，在可行空间中寻找一片邻近区域，即所谓的“中心路径”。在这条路径附近，有效的全局最优性证书更容易被构造出来。为了保持效率，CP-Cert 利用间接线性代数技术、问题的稀疏结构以及并行化手段，避免重复求解大型 SDP。与直接调用昂贵的通用优化器相比，CP-Cert 能够在更小的计算开销下完成对候选解最优性的验证。
作者将 CP-Cert 应用于两类在机器人感知中具有核心意义的问题：矩阵加权位姿注册和点云数据关联。这两类问题通常需要面对异常值（离群点），并且它们的松弛结构会触发传统认证方法所遭遇的退化。特别值得一提的是，论文还为点云数据关联提出了新的 SDP 松弛，这一贡献本身也具有独立的研究价值。在受控的仿真环境中，作者通过实验考察了这种新松弛的性质，并检验了 CP-Cert 的精度与可扩展性。结果显示，与当前最先进的直接求解器相比，CP-Cert 的运行速度最高可提升三个数量级，即大约快一千倍。
论文的最后部分将上述方法整合为一条完整的可认证、抗离群位姿估计流水线，并在真实世界数据上进行了测试。该流水线融合了局部估计器的快速性与 CP-Cert 的严格验证能力，使机器人能够在包含外点的情况下仍获得带全局最优性保证的位姿结果。论文于 2026 年 9 月 2 日提交至 arXiv，编号为 arXiv:2609.03222v1 [cs.RO]，属于机器人学（cs.RO）领域。