SLAM——相关资料文集

1、资料链接

      1-1 SlamCN

             可以完全按照SlamCN上的教程进行学习。

      1-2-1 SLAM资料整理

      1-2-2 SLAM论文阅读和分类整理

      1-3 ROS包navigation学习：

     https://blog.csdn.net/sonictl/article/details/51518492

      1-4 特别全的slam资料

2、相关算法知识

       2-1 路径规划、SLAM、卡尔曼滤波等算法

       2-2 梯度下降法、牛顿法等优化算法：

            2-2-1 梯度下降和牛顿法以及变种

            2-2-2 详细介绍线性最小二乘和非线性最小二乘算法

            个人总结：对于下面的最小二乘问题，若F(x)是线性函数，可以直接另其一阶导数为0，求出最优参数。若误差函数是非线性的，一般要使用迭代方法来寻求最优解。

                  

             非线性函数求解最小二乘步骤：

              1）选择一个合理的初值，选择的好的话迭代次数会少；

              2）使用各种方法比如：梯度下降、牛顿、高斯牛顿、LM等方法，求得；

              3）若足够小、或者超过迭代次数，则停止；否则到2）步，一直迭代。

               这里的各种方法其实就是将非线性函数在当前x状态下近似为线性的方法，求得的是该线性函数的。具体来说：

               梯度下降法：对F(x)在处进行一阶泰勒展开，将系统在处近似为线性系统，有，J是关于x的雅克比矩阵，那么只要取，让x向梯度的反方向走，就能达到最小地方。该方法优点是一直寻找变化最大的地方行进。

              牛顿法：牛顿法是为了求解非线性函数根点（与x轴的交点）的方法。因为在当时数学家发现对于很多非线性函数（这里指那些确有根点的函数）来说求解=0是很难的，牛顿发现非线性函数的切线和曲线有一定的联系，甚至在切点附近的一定区域内，切线函数可以近似为曲线函数。并且牛顿发现，切线的根点肯定是向的根点方向靠近的，那么只要每次求取切线根点，作为下次观测G的输入，然后在这个新的点（，）上再做切线，求该切线根点，然后再更新非线性函数的新的点（，），一直到G逼近到0，最终求得x。对于最小二乘问题，我们可以做个转换，求，即是求，因为是非线性函数，所以我们用牛顿法不断迭代更新来求的根点。具体过程：

               1）已知（，），以及此点处的斜率；

               2）那么根据切线公式y=kx+b,有：

                                       

                    可以很容易求得 ，然后去迭代更新，最终求得x使。

                上式说明更新x需要使用F的一节和二阶导数，J（雅克比矩阵）和H（海森矩阵）。所以我们对泰勒展开到二阶，如下：

                                     

                 展开到二阶说明，我们用一个常值+一次函数+二次函数来近似表示，那么对其关于求导，就是一条直线了，也就是求出了我们切线的表达式。我们求这条切线的根点，即，然后不断迭代。