《slam十四讲》阅读笔记-非线性优化

1，对似然函数的理解

似然性（likelihood）与概率（possibility）同样可以表示事件发生的可能性大小，但是二者有着很大的区别：
而所谓最大似然估计（Maximize Likelihood Estimation, MLE）是指在给定的观测数据下，找出参数$\theta$ ,使得生成观测数据$x$的概率函数$P(x|\theta )$最大，表示为

在状态估计问题中，状态变量$x$成为参数，这个时候表示为

在这种情况下，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”。

2，多维高斯分布

对于一维正态高斯分布为

对于多维高斯正态分布为

其中，$\bar{x}$表示维度为 D 的向量，$\bar{u}$ 则是这些向量的平均值，$\Sigma$表示所有向量 $\bar{x}$的协方差矩阵。
对其取负对数，这里我改成了书上的符号
因此最大似然估计问题即为
我们可以将极大似然问题变为最小二乘的问题

3，最小二乘问题的常用解法

非线性最小二乘的定义

直接求导取极值，运算量会比较大。比较常用的解法有一阶和二阶梯度法，高斯牛顿法，列文伯格-马夸尔特法，但是都是采用的迭代的思想

关键在于如何寻找增量。
二阶梯度法的意思是将二范数的平方对$f(x)$泰勒展开，再对$\Delta x$取导数，但是这会引出$H(x)$海塞矩阵，求解十分复杂

我们考虑一种不用求$H(x)$海塞矩阵的解法。比如说高斯牛顿法，最后结果只需要接触一个线性方程即可

4，g2o

g2o是将非线性和图优化结合起来的库。