非线性优化-GaussNewton-g2o应用详解

最新推荐文章于 2024-05-29 13:25:29 发布

猿马

最新推荐文章于 2024-05-29 13:25:29 发布

阅读量896

点赞数

分类专栏：非线性优化 g2o 文章标签：其他

本文链接：https://blog.csdn.net/sunxp1985/article/details/123798033

版权

1 序

slam十四讲中的第六章非线性优化，看了好几遍，但是无法通过例子将理论和实际算法联系起来。

主要疑问点是理论上，不管哪种算法，都需要计算雅可比矩阵，但是在书中g2o拟合曲线的例子中没有看到相关的代码的实现。

本贴主要通过研究源码和理论将两者联系起来。

2 GaussNewton理论实践

2.1 概要

本节以《视觉slam十四讲》第六章的拟合曲线 $y=e^{ax^2+bx+c}$ 为例来说明GaussNewton的计算过程

首先由于噪声的存在，曲线的实际结果为 $y=e^{ax^2+bx+c}+w$ ， $\omega$ 为噪声,其概率分布函数为 $P(\omega)=N(\mu ,\sigma^2)$ ，即期望为 $\mu$ ，标准差为 $\sigma$ 的高斯分布

现在测得100组(x,y)的数据，并且已知 $\sigma =1.0,\mu =0$ ,求参数a,b,c

非线性优化的原理不再推导，求上述问题就是求a，b，c为何值时， $error^2=\frac{1}{2}\sum_{i=1}^{100}\left \| {y_i-e^{ax_i^2+bx_i+c}}^{} \right \|^2$ 最小

以上问题即为最小二乘问题， $\min_{a,b,c}\frac{1}{2}\sum_{i=1}^{100}\left \| {y_i-e^{ax_i^2+bx_i+c}}^{} \right \|^2$

2.2 求解过程

最小而成问题可以通过 GaussNewton来求解，求解过程如下

2.2.1 假设a=0，b=0，c=0的初始值

2.2.2 设: $error=y-e^{ax^2+bx+c}$ ,求得 $\frac{\mathrm{d} error}{\mathrm{d} a},\frac{\mathrm{d} error}{\mathrm{d} b},\frac{\mathrm{d} error}{\mathrm{d} c}$ 三个表达式，书中的雅可比矩阵为 $J=\begin{bmatrix} \frac{\mathrm{d} error}{\mathrm{d} a}\\ \frac{\mathrm{d} error}{\mathrm{d} b}\\ \frac{\mathrm{d} error}{\mathrm{d} c} \end{bmatrix}$