视觉slam-----第四篇 卡尔曼滤波

马尔科夫和卡尔曼滤波

《视觉slam十四讲》读书笔记。

很多人都疑惑，马尔科夫又是什么意思？一个滤波问题怎么才能用得上卡尔曼滤波呢？扩展卡尔曼滤波又和卡尔曼滤波有什么关系？本篇博客不讲这些内容之间的推导关系，毕竟已经有无数人详细讲解了这个过程，这里只大概捋一捋它们之间的关系，已经我们该如何进行选择。

马尔科夫性质

一个马尔科夫过程就是指过程中的每个状态的转移只依赖于之前的 n个状态，这个过程被称为1个 n阶的模型，其中 n是影响转移状态的数目。最简单的马尔科夫过程就是一阶过程，每一个状态的转移只依赖于其之前的那一个状态。

在卡尔曼滤波中，我们就会使用马尔科夫性质，而且是一阶过程，我们不用关心它的推导过程。在卡尔曼滤波方法中，我们会从某时刻的状态估计，推导到下一个时刻。另外一种方法是依然考虑 k 时刻状态与之前所有状态的关系，此时将得到非线性优化为主体的优化框架。

从视觉slam到卡尔曼滤波

SLAM 过程由运动方程和观测方程来描述。那么，假设在 $t=0$ 到$t=N$ 的时间内，我们有${\mathbf{x}}_0$ 到 ${\mathbf{x}}_N$那么多个位姿，并且有${\mathbf{y}}_1,\dots ,{\mathbf{y}}_M$ 那么多个路标。一般来说，视觉slam过程的运动和观测方程为：

${\mathbf{x}}_k=f\left({\mathbf{x}}_{k-1},{\mathbf{u}}_k\right)+{\mathbf{w}}_k$
${\mathbf{z}}_{k,j}=h\left({\mathbf{y}}_j,{\mathbf{x}}_k\right)+{\mathbf{v}}_{k,j}$

之前已经介绍了最大似然估计，把状态估计转换为最小二乘的做法。首先，由于位姿和路标点都是待估计的变量，我们改变一下记号，令 ${\mathbf{x}}_k$为 $k$时刻的所有未知量。它包含了当前时刻的相机位姿与 $m$ 个路标点。在这种记号的意义下（虽然与之前稍有不同，但含义是清楚的），写成：

x k ≜ { x k , y 1 , … , y m } \boldsymbol { x } _ { k } \triangleq \left\{ \boldsymbol { x } _ { k } , \boldsymbol { y } _ { 1 } , \dots , \boldsymbol { y } _ { m } \right\} xk​≜{ xk​,y1​,…,ym​}

把 $k$时刻的所有观测记作 $z_k$。于是，运动方程与观测方程的形式可写得更加简洁。这里不会出现 $\mathbf{y}$，但我们要明白这时 $\mathbf{x}$ 中已经包含了之前的 $\mathbf{y}$ 了:

$\{\begin{array}{l}{\mathbf{x}}_k=f\left({\mathbf{x}}_{k-1},{\mathbf{u}}_k\right)+{\mathbf{w}}^{}\end{array}$