qq_43443531的博客

势场函数的计算较为容易，主要关注梯度的推导与计算。通过该式可以组装一个矩阵计算公式，得到梯度。接之前的内容，现在开始考虑势场函数。

来实现对样条曲线的生成。控制点意味着样条曲线必然要经过这几个点。对于每一段曲线，都可以由。考虑到位置连续性,速度连续性和加速度连续性，对位置连续性，有。在三次样条曲线中，样条曲线通过一系列控制点。设定边界条件，即初始时和末尾时速度为0，有。我们知道三次样条曲线必须过控制点，因此有。，整理上面各式，有如下形式。考虑到加速度连续性，有。现在考虑计算能量的梯度。来表征曲线，其定义为。现在开始能量相关推导。

的梯度感兴趣，因此只取其中这部分。维，但是实际求导时，我们其实只对。

无时间戳延迟时，残差计算流程：世界坐标系中的第l个地图点变换到相机坐标系下为flw​xyzT变换到相机坐标系下为flci​​Rcb​Rwbi​T​flw​−pwbi​​pcb​观察上式，易知转换的过程为先从世界坐标系转换到body坐标系，再从body坐标系转换到相机坐标系rc​xli​zli​−uli​yli​zli​−vli​Tuli​vli。

对于如下系统X˙AXBUYCX其中X为状态量，Y为观测量。

ω=12((ωbk+nkg−bkg)+(wbk+1+nk+1g−bk+1g))\omega = \frac{1}{2}((\omega_b^k+n_k^g-b_k^g)+(w_b^{k+1}+n_{k+1}^g-b_{k+1}^g))ω=21​((ωbk​+nkg​−bkg​)+(wbk+1​+nk+1g​−bk+1g​))其中，wbkw_b^kwbk​为kkk时刻下body坐标系的角速度，nkgn_k^gnkg​为kkk时刻下陀螺仪白噪声，bkgb_k^gbkg​为kkk时刻下陀螺仪偏置量。nkan

δRδR−1p​以右旋近似，可以得到如下ϕ→0lim​ϕ((Rexpϕ∧))−1p−R−1p​ϕ→0lim​ϕexpϕ∧−1R−1p−R−1p​ϕ→0lim​ϕIϕ∧−1R−1p−R−1p​ϕ→0lim​ϕI−ϕ∧R−1p−R−1p​ϕ→0lim​ϕ−ϕ∧R−1p​为了将分母中的ϕ。

SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)=\{ R \in \mathbb{R^{n \times n}} | RR^T=I,det(R)=1 \}SO(n)={R∈Rn×n∣RRT=I,det(R)=1}SO(n)为特殊正交群设aaa为一点坐标(x,y,z)(x,y,z)(x,y,z)。旋转与平移的结合可以描述为如下形式a′=RTa+ta'=R^Ta+ta′=RTa+tRT=R−1R^T = R^{-1}RT=R−1RRT=I,det(R)=1RR^T=I

线性搜索牛顿-CG方法，也称为截断牛顿方法。最基础的Newton step是通过求解线性系统的方程。因此，一旦产生了一个负曲率的方向，我们就终止了CG迭代。然而，CG方法是用来求解正定系统的，当。不接近解时，hessian阵。

关于牛顿-共轭梯度法，笔者认为对其最直接和最根本的认识，这篇帖子写得特别好，可以参考東雲正樹的一文。

在往期中我们对拟牛顿法以及BFGS等算法进行了详细的推导和学习，但是之前讨论的都为在保证函数凸且光滑的情况，那么如果函数非凸或者非光滑呢？我们在本节中进行一下研究。

在上一节中我们对拟牛顿法进行了详细的推导，特别是对BFGS的推导过程比较熟悉了，我们发现BFGS虽然解决了牛顿法中hessian可能不存在以及hessian求逆计算复杂的通电，但是在大规模优化过程中，很可能没有办法去存储一个。矩阵，因此Limited memory GFGS算法自然而然就被提出，表示使用有限的空间来进行计算。个向量，然后每次迭代最近的结果即可计算出近似矩阵。来得到，LBFGS的思想是不再使用所有的。，避免显式保存矩阵信息。，而是通过使用最近的。

在前面的章节中，我们学习了牛顿法，牛顿法的核心是先通过将函数泰勒展开，近似为一个二阶项目，对这个二阶项求导，可以得到极值点，则直接找到了在函数展开点附近的最优点。注意，我们这里说的是函数展开点附近的最优点。因为泰勒展开存在截断误差，我们是不能认为该点就是精确解的。下面是公式层面的一个推导。xmin​fx对x,我们于xt​处（第t次迭代的x）位置进行二阶泰勒展开，有fx≈fxt​f1xt​x−xt​21​f2xt​x−xt​。

首先我们定义一个基本的优化方法类，在类中对法各种方法进行抽象的实现。

本文通过探讨机器人中的数值优化方法，研究包含各种凸优化的理论和数值优化方法。令X是线性空间。如果对于X的子集S中的所有x和y，并且在区间 [0,1]中的所有t，点(1−t)x+ty也属于S，则S称为凸集。

约束满足问题(Constraint Satisfaction Problem, CSP)的Java实现（五）工作安排问题Job constraint problem

复变函数与积分变换笔记（二）

复变函数与积分变换（一）复变函数与积分变换的一些笔记，记在这里。

约束满足问题(Constraint Satisfaction Problem, CSP)的Java实现（四）地图填色问题Map coloring problem对于如上所示的澳大利亚地图，我们只用红蓝绿三种颜色填色，要求相邻两省份颜色不能相同，使用CSP求解器求解。问题的具体描述写在txt文件中，格式如下Australia Map Coloring Problem from AIMAWA NT Q NSW V SA TWA NT SANT Q SA WAQ NSW SA NTNSW V S

约束满足问题(Constraint Satisfaction Problem, CSP)的Java实现（三）Inference and variables order排序的接口定义import java.util.List;import java.util.Map;public interface Oder<V,D> { boolean oderUnassigned(List<V> unassigned,AbstractAssignment<V,D> a

约束满足问题(Constraint Satisfaction Problem, CSP)的Java实现（二）问题的定义接上篇，我们开始直接代码部分的工作，首先是问题的定义，对于一个约束，我们有一个基类如下所示：import java.util.ArrayList;import java.util.List;public class AbstractConstraint<V,C> { List<V> variableList; public Abstract

约束满足问题(Constraint Satisfaction Problem, CSP)的Java实现（一）原理部分问题的定义一个约束满足问题由三个部分组成，即 变量， 可行域， 约束。按照本人理解，变量为需要求解的量，可行域为变量中每个变量对应的可选择的值域，一般考虑为离散的问题。约束一般分为unary constraint, binary constraint,和多约束，但多约束也可以转换为binary constraint。unary constraint:T1≠d1T_1 \neq d_