本博客主要记录学习高翔老师视觉SLAM14讲的总结笔记,若有总结不对的地方,欢迎大家与我讨论。
一、状态估计
- 由于总是存在噪声,通过z,u来推导x,y的过程将会成为一个状态估计的问题,解决该问题的方式有两种:滤波器和批量。
- 滤波器仅关心当前时刻的位姿
- 批量方法可以在更大范围达到优化
- 通过一系列概率学推导,可得到求解x,y的最优解为最大似然估计,即
上式可直观解释为当x,y达到什么状态时,产生的观测数据更接近真实观测数据。
二、最小二乘法
最小二乘法用概率学公式表示为:
由此,可推导出有关状态估计的最小二乘函数:
通过非线性优化方法,微调代价函数中待优化项,使得整体代价变小。
三、非线性最小二乘
对于下式:
求解,一般 ,即可求得极小点,但对于很多的形式过于复杂,直接求解的方法比较困难,所以可采用迭代的方法求解。
3.1一阶和二阶梯度法
将Taylar展开:
对于上式线性化后求极值,若保留一阶梯度,则为最速下降法:
若保留到二阶梯度,则为牛顿法:
3.2高斯牛顿法
若将Taylar展开:
注意,这与一阶二阶梯度法不同,这里的雅克比矩阵是对 的一阶导数。由此,求解梯度最优值可转化为:
对上式右边展开,并对求导可得:
上式可称为增量方程、高斯牛顿方程或正规方程。 缺点是不容易求逆,会导致出现病态矩阵。
3.3列文伯格-马夸尔特方法
指标(信赖区域)来刻画近似模型和实际模型之间的差异:
当 越接近1,表示近似效果越好,小于1,表示近似效果较差,大于1,需要扩大近似范围。由此,可约束的求解范围,即:
若,u=2u,若,u=0.5u,将上述待约束的求解最优函数转换为无约束最优问题:
其中,D为非负对角阵,用于表示不同状态的权值,若D取单位阵I,则: