一文详解非线性优化算法：保姆级教程-基础理论

不论是刚入门SLAM的小白，还是导航相关专业的同学，都对“非线性优化”这个词不陌生，如果你说你没听过这个词，那“因子图”一词总该略有耳闻吧，如果还是不知道，那就只能拿SLAM14讲敲你了。

自我进入SLAM领域以来，就再也没有逃出非线性优化的魔掌了，业界神书SLAM十四讲上还单独分出来一章对非线性优化进行了基础且详细的讲解，不过上了这么多年学的我们，早已经看透了这一切，书上写着“1+1=2”，实际操作中就开始解N个参数的方程组了。[一脸苦笑.gif]。如果你想耍滑头溜过非线性优化的大门，也可以，但你们会重逢的，在第七章重逢，第八章重逢，第九章重逢……在第十四章重逢。是的，非线性优化占据了SLAM的大半壁江山，于是，便有了这个专题——《非线性优化系列讲解》。

这个专题主要分为两大部分：Ceres和g2o，这两个是用于非线性优化的C++库，很常用，每个部分我都会由浅入深，结合代码逐行讲解，并在后续录制讲解视频供大家深度掌握，敬请关注。

非线性优化之G2O：基础理论知识

在这部分主要进行SLAM14讲中的基础知识讲解，若已熟读过的同学可以绕道下一步，在后续部分推导用到的公式我都会再次给出，并标记。

★问题一：什么是非线性最小二乘？

先举个简单的例子，在大家考试过程中，会有一个理想目标分数和实际分数以及满分，每次考试后，我们会得到实际分数，然后对实际分数和目标分数之间的差值进行评估，再对相应的学科进行难关攻克，以争取在下次考试中得到更好的成绩。

这便构成了最简单的最小二乘问题。可以想到，要使得有最小值，即找到函数极值点，而极值点往往在导数为零的点，对于易求解的，使用求导的方式，但在SLAM中，往往导数不易求解，无法找到极值点。

因此，选择使用一种很原始的方法，迭代试验法：

★问题二：高斯牛顿法求解非线性最小二乘