SLAM数学问题引出
SLAM模型为 运动方程、 观测方程组成的方程组,误差服从高斯分布。
对机器状态的估计:已知输入u(运动测量读数)、观测z(传感器读数),求状态x(机器人位姿)、y(路标位置),从概率论的角度为 P(x,y|z,u),根据贝叶斯法则,其值正比于P(z,u|x,y)*P(x,y);
求x,y即为
求使P(x,y|z,u)最大的x,y值,此为 最大后验估计(MAP,Maximum a Posterior Estimation)
忽略P(x,y),即为
求使P(z,u|x,y)最大的x,y值,此为 最大似然估计
由于误差服从高斯分布,该最大似然估计问题由 最小二乘问题求解
要解决最小二乘问题,则有非线性优化方法,如 一阶、二阶梯度下降法、高斯牛顿法、列文伯格-马夸尔特法。
而所有非线性优化的迭代求解方案,都在求解 局部最优值,依赖良好的初始值,
初始值则有ICP、PnP提供初始值