《视觉SLAM十四讲从理论到实践 第二版》课后习题——ch6

1.  证明线性方程Ax = b 当系数矩阵A 超定时，最小二乘解为

2.  调研最速下降法、牛顿法、高斯牛顿法和列文伯格—马夸尔特方法各有什么优缺点？除了我们举的 Ceres 库和 g2o 库，还有哪些常用的优化库。（你可能会找到一些MATLAB 上的库）

Ipopt、NLopt、slam++、Optimization Toolbox（MATLAB）

3.  为什么高斯牛顿法的增量方程系数矩阵可能不正定？不正定有什么几何含义？为什么在这种情况下解就不稳定了？

高斯牛顿法将作为Hessian矩阵的近似，而在实际的计算中只有半正定性（例如：当 J 为零向量时，增量方程系数矩阵是不正定的）。当Hessian矩阵不正定时，此时的目标函数，此时对于 的近似是一条水平的直线，在点处函数是“平坦的”，无法给出下一次迭代的下降方向（一阶导数恒为0），所以在这种情况下解不稳定。

4.  DogLeg 是什么？它与高斯牛顿法和列文伯格—马夸尔特方法有何异同？请搜索相关的材料。

DogLeg是信赖区域（Trust-Region）方法的一种，包含了高斯牛顿法和最速下降法两种方法，即用置信域的方法在最速下降法和高斯牛顿法之间进行切换，相当于是一种加权求解。通过引入信赖区域的概念，对两种方法计算得到的增量，在信赖区域进行加权得到新的增量并用于后续的迭代，因此计算得到的下降路径类似于DogLeg，所以被称为DogLeg方法。

5.  阅读 Ceres 的教学材料（http://ceres-solver.org/tutorial.html）以更好地掌握其用法

略

6.  阅读 g2o 自带的文档，你能看懂它吗？如果还不能完全看懂，请在阅读第10讲和第11讲之后再回来看。

略

7.  * 请更改曲线拟合实验中的曲线模型，并用 Ceres 和 g2o 进行优化实验。例如，可以使用更多的参数和更复杂的模型。

后续更新