markdown学习

1.构建误差模型

  设三轴加速度计的零偏误差与刻度误差分别为
$$o_x,o_y,o_z,s_x,s_y,s_z$$

  某一时刻该三轴加速度计的测量值分别为
$$x,y,z$$

  设当前时刻真实加速度向量为
$$a=(a_x,a_y,a_z)$$

  有以下关系

$$\{\begin{array}{l}{a}_x=(x-o_x)s_x\\ a_y=(x-o_y)s_y\\ az=(x-o_z)s_z\end{array}\text{\hspace{1em}(error function)}$$
  静止状态下，不管加速度计方向如何，其测量得到的加速度为重力加速度在各轴上的投影。而在地球上，重力加速度向量模值总是等于$1g$。假设$ax,ay,az$单位为$g$，便有以下等式成立：
$$a_x^2+a_y^2+a_z^2=1$$
即：
$$(x-o_x{)}^2{s}_x^2+(x-o_y{)}^2{s}_y^2+(x-o_z{)}^2{s}_z^2=1$$
  至此，我们将加速度计的误差求解转化成为了一个数学问题：已知$x,y,z$，由上一条等式，求解出$ox,oy,oz,sx,sy,sz$

2.求解误差方程

  上一节中，我们得到了传感器的误差方程：
$$(x-o_x{)}^2{s}_x^2+(x-o_y{)}^2{s}_y^2+(x-o_z{)}^2{s}_z^2=1$$
  求解方程，对于经历过九年义务教育的我们来说是一件非常熟悉的事情，但这里存在着几个棘手的问题：

• 该方程为六元二次方程，存在着6个未知数，如果只存在$x,y,z$一组观测值，那将会有无穷多解。因此我们需要获得多组观测值$xi,yi,zi$，以构建方程组，从而求出唯一解，满足方程组里的每一个方程
• 对于六元二次方程而言，使用六组独立的观测值，构建出包含6个方程的方程组，理论上可以求出方程组的唯一解。可是事实上，我们从传感器上获取到的观测值，都是带有一定随机噪声的，即观测值并非完全准确，从而导致求得的方程解未必精确
• 使用计算机，我们可以轻松求出线性方程组的唯一精确解（如高斯消元法），而非线性方程问题，无论是从理论上还是计算方法上，都要复杂得多，大部分时候，对于无特定形式的非线性方程$f(x)=0$，是没有办法直接求得精确解的。

 为了解决上述问题，这里引进了一种数学方法：最小二乘法

  最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

  对于现实中的绝大部分问题，我们都是无法求得精确解的，于是退而求其次，使用最小二乘法，我们可以得到其近似解。

  以传感器误差方程为例，设$r$为某特定解下方程的误差，有:
$$r=1-(x-o_x{)}^2{s}_x^2+(x-o_y{)}^2{s}_y^2+(x-o_z{)}^2{s}_z^2$$
  对于方程组而言，其误差的平方和函数为
$$S=\sum _{i=0}^n{r}_i^2$$
  所谓最小二乘法，便是求得一组特定解，使得$S$最小(求函数极值)，该条件下的解，便是方程组的最优近似解。对于线性
方程组，可将误差函数$S=0$转换为矩阵方程并进行求解即可，可惜现实问题大部分均为非线性问题，如本文中的传感器误差方程便是一个非线性方程，是无法变换为矩阵方程形式的，因此我们必须换一个思路来解决问题。

假定该函数存在着局部最小值，那给定一个初始解，通过不断地迭代计算，从而找到误差平方和函数$S$的局部最优解，这便是非线性最小二乘的基本思想。

接下来，我们将讨论求解非线性最小二乘的具体算法。