在機器人學中，許多非凸問題需要可驗證的全域性最優性保證。近年的常用做法是藉助凸半定規劃（SDP）鬆弛，將問題轉化為可驗證的形式。效能最好的方法通常先用區域性求解器獲得候選解，再利用高效的線性代數技巧驗證該候選解是否為全域性最優。然而，對於機器人學中不少重要問題，鬆弛往往會呈現出一種退化現象，使得這種“先區域性求解、再驗證”的路線無法奏效。此時，研究人員往往只能對整個鬆弛重新進行代價高昂的凸最佳化。
為了填補這一空白，Connor Holmes 與另一位合作者提出了中央路徑驗證器（Central-Path Certifier，簡稱 CP-Cert）。該方法專門針對具有上述退化形態的問題而設計。它以候選解為起點，在可行空間中尋找一片鄰近區域，即所謂的“中心路徑”。在這條路徑附近，有效的全域性最優性證書更容易被構造出來。為了保持效率，CP-Cert 利用間接線性代數技術、問題的稀疏結構以及並行化手段，避免重複求解大型 SDP。與直接呼叫昂貴的通用最佳化器相比，CP-Cert 能夠在更小的計算開銷下完成對候選解最優性的驗證。
作者將 CP-Cert 應用於兩類在機器人感知中具有核心意義的問題：矩陣加權位姿註冊和點雲資料關聯。這兩類問題通常需要面對異常值（離群點），並且它們的鬆弛結構會觸發傳統認證方法所遭遇的退化。特別值得一提的是，論文還為點雲資料關聯提出了新的 SDP 鬆弛，這一貢獻本身也具有獨立的研究價值。在受控的模擬環境中，作者透過實驗考察了這種新鬆弛的性質，並檢驗了 CP-Cert 的精度與可擴充套件性。結果顯示，與當前最先進的直接求解器相比，CP-Cert 的執行速度最高可提升三個數量級，即大約快一千倍。
論文的最後部分將上述方法整合為一條完整的可認證、抗離群位姿估計流水線，並在真實世界資料上進行了測試。該流水線融合了區域性估計器的快速性與 CP-Cert 的嚴格驗證能力，使機器人能夠在包含外點的情況下仍獲得帶全域性最優性保證的位姿結果。論文於 2026 年 9 月 2 日提交至 arXiv，編號為 arXiv:2609.03222v1 [cs.RO]，屬於機器人學（cs.RO）領域。