leeayu的博客

【代码】手写高斯牛顿求解非线性最小二乘问题。

高斯分布是一个理想的分布，在真实世界中，模型往往是非线性非高斯的，为了方便处理，我们经常在使用高斯分布来近似表示真实世界中的PDF的某个点。请注意公式⾥⾯的 p(x) 是概率密度（probability density）⽽不是概率（probability）。变形之后就是贝叶斯公式，这条公式在状态估计中会被反复使用，是最核心的公式，公式本身没有任何假设。计算高斯分布的变换的关键就是计算均值和协方差，直接按照公式去推导即可。P(y)的计算方式就是把x通过积分来边缘化掉的。的条件下的PDF如下。

文章目录1 边缘化是什么2 实际SLAM中的优化问题构建2.1 线性高斯系统优化问题的构建（参考状态估计这本书，本节只是简介使得文章前后保持连续性）2.2 非线性非高斯系统（Non Linear Non Gaussian，NLNG）优化问题构建2.3 NLNG问题的Batch形式（实际SLAM优化多帧pose和多路标点的情况）2.4 使用高斯牛顿法求解2.5 考虑一个小的优化问题：仅包含观测模型3 边缘化（Marginalization）3.1 边缘化想做什么事情3.2 边缘化过程详细步骤（以VINS-MO

文章目录1 最大似然估计 maximum likelihood estimate2 几个概率相关的函数2.1 累积分布函数Cumulative Distribution Function(CDF)2.2 概率密度函数Probability Density Function(PDF)2.3 概率质量函数probability mass function(PMF)1 最大似然估计 maximum l...

文章目录Reference最小二乘估计加权最小二乘估计ReferenceMatrix Differentiation加权最小二乘法与局部加权线性回归卡尔曼滤波与组合导航原理(1-2讲)最小二乘估计Z=HX+VZ = HX + VZ=HX+Vwhere, Z is the mmm dimension observation vector; XXX is a nnn dimension state vector; HHH is a m∗nm * nm∗n matrix; VVV is noi

以无人驾驶定位系统为例，融合gnss，imu，轮速，camera LaneMatch(frame to map)，lidar scan match(frame to map)。如何融合LIO、VIO这类帧间相对观测呢？本文讨论滤波框架下如何融合LIO，VIO相对观测。

这个地方使用QR分解来降低算法复杂度，参见。最后计算K的时候需要求解。

以在无人车定位系统中融合GNSS，IMU，轮速，camera/lidar frame to map pose为例，想要在这个绝对定位系统中继续融合LO、VIO的relative pose该怎么做呢？（这里只考虑松耦合）

在MSCKF的状态增广公式中不考虑噪声R，所以协方差变换结果就是。是相机pose和imu pose的外参公式构成的非线性函数。对 imu error state的导数。考虑imu和camera之间的外参数。下图是来自《机器人学的状态估计》

酉矩阵，正交矩阵A的元素是属于复数域矩阵，如果AA∗IAA^{*} = IAA∗I，那么A是属于酉矩阵（Unitary Matrix）A的元素是属于实数域矩阵，如果AATIAA^{T} = IAATI，那么A是属于正交矩阵（Orthogonal Matrix），当然也是Unitary Matrix埃尔米特矩阵，对阵矩阵A的元素是属于复数域矩阵，如果AA∗A = A^{*}AA∗，那么A是属于埃尔米特矩阵（Hermitian Matrix）

【代码】理解全贝叶斯估计（Full Beyes Estimation）