《视觉slam十四讲从理论到实践》第六讲概述总结

0x00 前言

在学习《视觉slam十四讲从理论到实践》第六讲的过程中，觉得这一部分的知识在数学层面上是具有通用性的，数据的非线性优化和最小二乘法的处理知识不止在SLAM中发挥作用，还会在其他领域例如机器学习等得到应用，觉得比较重要，有必要再自己总结一下加深理解。
本文的重点放在如何将SLAM中状态估计问题转化成一个最小二乘问题。
但只是基于书本所说的内容，并且所举例子也依托于SLAM这样一个背景，并没有做额外拓展。

 

0x01 本讲概述总结

  我们期望，通过处理一段时间内带有随机噪音的批量观测数据和输入数据，得到一组优化后的状态估计值，并把这些估计值作为当前的状态。我们会把以上问题转化为最小二乘的问题，然后求解这个最小二乘问题的过程就是优化估计值的过程。
  可以假设观测数据为 $z$ ，输入数据为 $u$ ，当前位置为 $x$ ，观测目标位置为 $y$ ，由于在观测的过程中不可避免地带有噪音，所以我们想依据当前的观测数据，期望得到最接近真实值的估计值，度量"最接近"是一个可能性问题，那么从概率学的观点来看，可以求状态 $x,y$ 的条件概率分布：
$$P(x,y|z,u).$$
  我们可以认为上述概率最大时所对应的状态最接近真实值，但是直接求后验概率的分布是困难的，求一个状态最优估计，使得在该状态下后验概率最大化则是可行的。也可以反过来这样理解：后验概率最大化时所对应的状态为状态最优估计。那么通过贝叶斯法则的转换，可以将求解最大后验概率等价于求解最大似然估计(Maximize Likelihood Estimation, MLE):
$${(x,y{)}^{\ast }}_{MLE}=argmaxP(z,u|x,y).$$

直观地讲，似然是指“在现在的位姿下，可能产生怎样的观测数据”。由于我们知道观测数据，所以最大似然估计可以理解成：“在什么样的状态下，最可能产生现在观测到的数据”。这就是最大似然的直观意义。

  考虑某一次的观测，我们假设随机噪音服从高斯分布，那么似然也服从高斯分布：
$$P(z_{j,k}|x_k,y_j)=N(h(y_j,x_k),Q_{k,j}).$$
   h ( y j , x k ) h(y_j,x_k) h(yj​,x