目录
LZ听师兄讲,SLAM的优化方法是基础知识,尤其最小二乘法是所有优化的基础。接下来将对以下知识进行总结。
- 最小二乘法
- 非线性:最速下降法、牛顿法、高斯牛顿法(GN)、列文伯格-马夸尔特(LM)联系
- 线性:QR分解、乔姆斯基分解法求解(Cholesky)、奇异值分解(SVD)
一、最小二乘法引出
最小二乘问题通常可以表述为,通过搜集到的一些数据(获取得到的样本),对某一个模型进行拟合,并尽可能的使得模型结果和样本达到某种程度上的最佳拟合,在SLAM中亦可以看作为观测值和模型估计值之间的误差:
其中 x 为模型中参数所组成的向量,e 通常被称为残差向量(residual vector).
1、线性最小二乘与非线性最小二乘的关系
线性:直接对目标函数求导,令其等于零,以此求得极值,比较后得到全局最小值。
非线性:由于函数复杂无法直接写出导数形式,无法直接得到全局最小值。退而求其次,从一个初始估计值通过不断迭代寻找局部最小值,不断寻找梯度并下降。
2、梯度下降法
下降法每一步迭代中都主要包括两部分内容,分别是求解下降单位向量方向