转:https://blog.csdn.net/zhubaohua_bupt/article/details/74973347
在VSLAM优化部分,我们多次谈到,构建一个关于待优化位姿的误差函数
(直接法:灰度误差 ;特征点法:重投影误差),
当待优化的位姿使这个误差函数最小时(当SLAM运动不是太剧烈时,误差函数满足单峰性),认为此时位姿最精确。
如果这个误差函数是线性,而且已知解析式的,很容易通过求导,令导数=0,求极值解决问题。
然而,误差函数是关于待优化位姿的一个非线性多元函数,怎么求使这个误差函数最小的位姿呢?
实际上,这是一个非线性无约束最优化问题,在目前主流的VSLAM(比如ORB,SVO,LSD)里,
采用的优化算法主要有两种:
一种是高斯牛顿(Gauss Newton)算法,另一种是列文伯格-马夸尔特(Levenberg-Marquardt)算法,简称LM算法。
下面我们详细探讨一下,高斯牛顿和LM算法的原理以及在VSLAM中的应用。
首先,最小二乘是要解决什么问题?
1 最小二乘算法
1.1 线性最小二乘问题
1.2 非线性最小二乘问题
迭代过程如下图所示:
1.2.1 高斯牛顿法
1.2.2 LM算法
2 高斯牛顿和LM算法在VSLAM中的应用
http://blog.csdn.net/zhubaohua_bupt/article/details/74011005