*我现在发现优化在深度学习,路径规划,SLAM(后端优化,图优化),最优控制,最优估计,最优跟踪,最优调节里面都有用到!!!有必要系统总结一下了。都可以归为最优化问题?

我现在发现优化在深度学习,路径规划,SLAM(后端优化,图优化)里面都有用到!!!

有必要系统总结一下了。

https://baike.baidu.com/item/%E6%9C%80%E4%BC%98%E6%8E%A7%E5%88%B6/1707071?fr=aladdin

拍自《视觉SLAM十四讲》

SLAM里面的最优化问题应该属于最优估计,是不是最优化问题可以分为最优估计和最优控制!!!

梯度下降不也是深度学习里面训练参数用到的么?

下面拍自《视觉SLAM十四讲》

还有最优跟踪和最优调节。

https://blog.csdn.net/sinat_16643223/article/details/109128791

是否VIO我们可以看做一个最优化问题。

多传感器融合,是不是也是一个最优估计也就是一个最优化的问题?

或许现在可以明白为什么这里可以同卡尔曼滤波替代态度下降算法进行神经网络的训练,以为本质都是优化算法?

卡尔曼滤波是线性最小方差估计,其实也是个最优化问题?

《百面机器学习》里面就专门有一章谈优化算法

所以神经网络的训练其实也是一个最优化问题?所以真正有着扎实理论功底的人,神经网络并不是一个独立的东西,本质还是可以看作一个最优化问题。

SVM也是在寻求一个最优解,最优分类平面。它的这个最优似乎就是靠的最小二乘法。

https://blog.csdn.net/v_july_v/article/details/7624837

 

2021.8.10

这篇文章也可以提下这一点

 https://blog.csdn.net/sinat_16643223/article/details/119548335

 

 

  • 4
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
### 回答1: 回环检测可以帮助检测滑窗中的重复部分,从而使优化算法更加高效。此外,滑窗优化可以帮助提高回环检测的准确性,因为它能够提供有效的定位信息。因此,滑窗优化和回环检测可以结合使用,以提高激光slam后端优化的性能。 ### 回答2: 在激光SLAM后端优化中,滑窗优化和回环检测是两种常用的策略,它们可以结合起来进一步提高SLAM系统的精度和鲁棒性。 首先,滑窗优化是指在SLAM系统后端优化中,不仅考虑当前帧与其前后几帧之间的约束关系,还考虑到之间的某些帧之间的约束关系。这样可以在保证计算效率的前提下,增加更多的约束来提高SLAM系统的精度。滑窗优化可以通过设置一个窗口大小,并且每次添加新的帧时,滑动窗口并更新优化位姿,以维持窗口内的关键帧数量。这样,在滑窗优化的过程中,不仅考虑了相邻帧之间的约束,还同时考虑了窗口内部的帧之间的约束。 而回环检测则是指在SLAM系统中,通过识别出现在中的重复环境特征,将其作为回环来进行检测和处理。回环检测可以通过特征匹配、相似性度量等方法来实现。一旦检测到回环,系统可以通过优化重新估计历史轨迹和地,并修正之前可能存在的误差。通过回环检测和优化SLAM系统可以有效地减少误差累积,提高系统的精度和鲁棒性。 将滑窗优化和回环检测结合起来,可以进一步提高激光SLAM后端优化效果。在滑窗优化的过程中,可以考虑回环之间的约束关系,并在优化过程中相应地更新和调整位姿。另外,回环检测也可以在滑窗优化中发挥作用,检测到回环后进行位姿校正,进一步提升优化效果。 总之,滑窗优化和回环检测在激光SLAM后端优化中可以相互结合,通过增加更多约束和修正误差来提高系统的精度和鲁棒性。 ### 回答3: 在激光SLAM后端优化中,滑窗优化和回环检测是两种常用的技术方法,它们可以结合使用来提升SLAM系统优化效果。 首先,回环检测是指通过对机器人在地中经过的轨迹进行分析,寻找是否存在已经探索过的区域重新进入的情况。回环检测技术可以通过对激光扫描数据、视觉信息或其他传感器数据进行匹配,从而确定机器人当前所处的位置。回环检测的结果可以用来校正之前路径的误差,并更新地的拓扑结构和机器人位姿。 滑窗优化是一种常用的参数优化方法,它通过维护一个滑动窗口,选择其中的一些关键帧进行优化,得到更准确的位姿估计和地重建结果。滑窗优化技术中,通常会通过优化(Graph Optimization)方法,以最小化误差函数为目标,对关键帧之间的约束进行求解,从而得到更精确的轨迹和地。 将滑窗优化和回环检测结合可以提高SLAM系统的地构建和路径估计的准确性和鲁棒性。具体步骤如下: 1. 首先,通过激光扫描数据或其他传感器数据进行实时建,并随机选取一些关键帧作为滑窗的初始状态。 2. 在滑窗的窗口滑动过程中,当检测到回环时,通过回环检测算法寻找回环帧,并进行回环边的添加。 3. 在回环边添加后,通过优化方法对滑窗内的关键帧和回环边进行优化,以最小化误差。 4. 优化后的结果可以用来更新机器人的位姿估计和地重建。 通过滑窗优化和回环检测的结合,可以实现对系统的闭环误差的消除和路径的校正,从而提高SLAM系统的性能和精度。同时,这种方法也可以减少计算量,提高系统的实时性能。但值得注意的是,滑窗优化和回环检测都有相应的参数和阈值需要调整和设置,才能取得好的优化效果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值