fej

 

在给予优化方法上,同样可以使用First estimate jacobian.

基于优化的问题的核心是求解 这件事. 为了使得这个问题的规模是控制在一定规模下的,那么就要讲old state Marginalize 出去. 在marginalize old state的时候,关于 old state的 jacobian 矩阵也好, hession 矩阵也好就永久的固定在了一个线性化点上, 这些Jacobian和Hession 不仅仅与Old state相关,也和与他直接相关连的状态相关(我们就叫它们 吧,r 表示剩下的). 如果在后续的优化中,我们使用每一步迭代更新得到的 来线性化得到H的话,那么我们相当于在同一个状态的两个点上线性化cost function(计算marginalize 相关的cost function的时候我们已经将 固定),这就导致了错误的可观性. 用SLAM中的marginalization 和 Schur complement 中的一张图来说明在同一个cost function中使用同一个状态的两个线性化点给系统的nullspace带来的变化

于是,Cuong Dong-Si在[4]中, 通过使用在marginalize时候的 来固定之后的线性化点的办法来客服不正确的可观行. 即opt方法中的First estimate jacobian.