《视觉slam十四讲》第六讲课后习题

最新推荐文章于 2024-05-16 17:31:44 发布

hello我是小菜鸡

最新推荐文章于 2024-05-16 17:31:44 发布

阅读量1.8k

点赞数 4

分类专栏：习题文章标签： slam

本文链接：https://blog.csdn.net/qq_17032807/article/details/84984550

版权

习题专栏收录该内容

6 篇文章 15 订阅

订阅专栏

1.证明线性方程当系数矩阵A超定时，最小贰乘解为 $x=(A^{T}A)^{-1}A^{T}b$ 。

首先明白什么是系数矩阵超定：当方程数多于未知数个数时，也就是说对应系数矩阵的行数大于列数，这样该方程组被称为超定方程组。超定方程组在大多数情况下没有古典意义下的解，所以需要最小二乘解，也就是一种广义解。

最小二乘解是为了使残差 $e=\left \| b-Ax \right \|_{2}^{2}$ 最小。首先证明其充分性：假设 $x^{*}=(A^{T}A)^{-1}A^{T}b$ 为残差的解，存在解，使得 $e_{x}=\left \| b-Ax \right \|_{2}^{2}<e_{x^{*}}=\left \| b-Ax^{*} \right \|_{2}^{2}$ ，则假设 $\Delta x = x- x^{*}$ ,

$e_{x}=\left \| b-Ax \right \|_{2}^{2}=\left \| b-A(x^{*}+ \Delta x) \right \|_{2}^{2}=(b-Ax^{*} - A \Delta x,b-Ax^{*} - A \Delta x)\\ =(b-Ax^{*},b-Ax^{*})-2(A \Delta x, b-Ax^{*})+(A \Delta x, A \Delta x)\\ =\left \| b-Ax^{*} \right \|_{2}^{2}-2 \Delta x^{T}A^{T}(b-Ax^{*}) +\left \| A \Delta x \right \|_{2}^{2}=\left \| b-Ax^{*} \right \|_{2}^{2}+\left \| A \Delta x \right \|_{2}^{2}$

因为 $\left \| A \Delta x \right \|_{2}^{2}\neq 0$ ，所以 $e_{x}>e_{x^{*}}$ ,这与原假设相悖，则 $x^{*}$ 是方程的解。

必要性：现在来直接求这个解。

原式写成矩阵形式： $O=\vec{b}-A \vec{x}$ ，假设这方程的第个分量为:

$o_{i}=b_{i}-\sum_{k=1}^{n}a_{ik}x_{k},(i=1,2,3...m)$

记

$I=I(x_{1},x_{2},...,x_{n})=\left \| o \right \|_{2}^{2}=\sum _{i=1}^{m}(b_{i}-\sum _{k=1}^{n}a_{ik}x_{k})^{2}$

则这个多元函数进行求极值，不难发现：

$\frac{\partial I}{\partial x_{j}}=-2\sum _{i=1}^{m}(b_{i}- \sum_{k=1}^{n}a_{ik}x_{k})a_{ij}=0,j=1,2,...,n$

即：

$\sum _{k=1}^{n}(\sum_{i=1}^{m} a_{ij}a_{ik})x_{k}=\sum_{i=1}^{m}a_{ij} b_{i},j=1,2,...,n$

写成矩阵形式：

$A^{T}Ax=A^{T}b$ 或者是 $x=(A^{T}A)^{-1}A^{T}b$ 。

2.调研最速下降法、牛顿法、高斯牛顿法和列文伯格—马夸尔特方法个有什么优缺点。除了我们举的Ceres库和g2o库，还有哪些常用的优化库。

最速下降法比较直观，算法十分简单，比较直观，但是缺点是这种算法比较贪心，容易呈现锯齿状下降，从而局部收敛速度下降。而牛顿法在最速下降的基础上引入二阶导数，这样就处理了最速下降法一阶导数为0的情况，但是二阶求导运算量不小。高斯牛顿法则对牛顿法进行了简化，避免了二阶求导，但是容易产生病态方程。列文伯格—马夸尔特算法在高斯牛顿法引入阻尼项使其不那么病态。

除了Ceres库和g2o库，还有NLopt库、slam++库等等。

3.为什么高斯牛顿的增量方程系数可能不正定？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？

因为增量方程系数是一个二阶求导的海森矩阵。举证属于一种向量到向量的映射关系的描述，这矩阵的不正定意味着增量方程对向量迭代方向的不确定。当一阶导数趋于零也就是最优点时，计算机在进行小值运算是容易出现精度缺失的情况，所以容易锯齿化，然后二阶运算会将这种震动状态放大，解就非常不稳定。

4.Dogleg是什么？它与高斯牛顿法以及列文伯格—马夸尔特法有何异同？

Dogleg属于Trust Region优化方法，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（将二者的搜索步长及方向转化为向量，两个向量进行叠加得到新的方向和置信域内的步长），相当于是一种加权求解。

5.阅读Ceres的教学材料以更好地掌握其用法。

读啊

6.阅读g2o自带文档，你能看懂它吗？

这基本看不懂，可以学学：https://www.cnblogs.com/gaoxiang12/p/5304272.html

7.更改曲线拟合实验中的曲线模型，并用Ceres和g2o优化...

改y.data.push_back里的函数就行

hello我是小菜鸡

关注

4
点赞
踩
17

收藏

觉得还不错? 一键收藏
3
评论
《视觉slam十四讲》第六讲课后习题

1.证明线性方程当系数矩阵A超定时，最小贰乘解为。首先明白什么是系数矩阵超定：当方程数多于未知数个数时，也就是说对应系数矩阵的行数大于列数，这样该方程组被称为超定方程组。超定方程组在大多数情况下没有古典意义下的解，所以需要最小二乘解，也就是一种广义解。最小二乘解是为了使残差最小。首先证明其充分性：假设为残差的解，存在解，使得，则假设,因为，所以,这与原假设相悖，则是方程的解。必...
复制链接

扫一扫

专栏目录