[学习笔记-SLAM篇]视觉SLAM十四讲ch6

有些别的事情中断了学习，现在重新拾起来哈。
果然，很多事情还是一鼓作气的好，不然节奏会乱掉。

注：
1）学习视频：【高翔】视觉SLAM十四讲。

第6讲

6.1 理论部分

本讲主要是状态估计的问题，大佬以非线性优化为主，也是现在视觉SLAM主流的方向。
此外，公式编辑的问题，有些量是向量或矩阵，但不太好加粗，所以以书上公式为主。
最后，太难了，高斯牛顿和L-M太难了，听都听不进去。

1）状态估计

• 前面我们得到了运动方程（由$SE(3)$描述【讲3】，李代数优化【讲4】）和观测方程（由针孔模型给定【讲5】），其中涉及到相机位姿$x$、地标点$y$（前2者合称位姿）、输入量$u$、观测量$z$。而如何由这2个方程获得我们需要的状态量，即如何由输入和观测量获得相机位姿和地标点，就是状态估计（【讲6】）的工作；
• 状态估计有2类方法：增量法（滤波器）和批量法（以非线性优化为主）；
• 非线性优化求状态估计，实际是求状态的条件概率分布，对应公式$P(x,y|z,u)=\frac{P(z,u|x,y)P(x,y)}{P(z,u)}\propto P(z,u|x,y)P(x,y)$，其中公式左边称为后验概率，右边$P(z,u|x,y)$称为似然，$P(x,y)$称为先验；
• 直接求后验分布很难，因此一般有2种方法。a）若有先验信息，求最大后验估计MAP：$(x,y{)}_{MAP}^{\ast }=argmaxP(x,y|z,u)=argmaxP(z,u|x,y)P(x,y)$，等价于似然和先验的乘积的最大值；b）若无先验信息，求最大似然估计MLE：$(x,y{)}_{MLE}^{\ast }=argmaxP(z,u|x,y)$，即确定什么状态下最可能产生现在的观测；
• 而实际情况中，无后验信息较多，因此大多使用最大似然估计，那么如何求最大似然估计呢，就引出了最小二乘问题。

2）最小二乘

• 由于高斯噪声情况更简单，因此介绍最大似然估计时，以高斯噪声分布为例；
• 直接求最大似然估计，其含有乘法和指数项，且在多时刻（含有很多独立的运动和观测方程）数据处理时不容易。因此对其作负对数处理，将乘法变为加法，略去与状态无关的项，对某一时刻的最大似然估计，就变为求最小二次型项（二次型称为马氏距离）；
• 由运动方程和观测方程定义2种误差：$e_{u,k}=x_k-f(x_{k-1},u_k)$，$e_{z,j,k}=z_{k,j}-h(x_k,y_j)$。在非线性优化时，会处理批量时刻的数据，因此求所有数据的最大似然估计转换为求最小二乘（即误差和的最小值），对应公式$minJ(x,y)={\sum }_k{e}_{u,k}^T{R\text{R}R}_k^{-1}{e}_{u,k}+{\sum }_k{\sum }_j{e}_{z,k,j}^T{Q\text{Q}Q}_{k,j}^{-1}{e}_{z,k,j}$；
• 最小二乘有线性与非线性2种情况，若为线性则一般容易求解，不方便或非线性，一般用迭代的方法，将求解导函数为零变为寻找下降增量；
• 求下降增量，书中介绍了3种方法：1）梯度下降法；2）高斯牛顿法；3）列文伯格-马夸尔特法；
• 梯度下降法。简单来说就2条，一阶梯度最速下降，二阶梯度牛顿法。但都有相应的问题，最速下降有zigzag（贪婪）问题，牛顿法的海塞矩阵太难，所以一般高斯牛顿和列文伯格-马夸尔特法更实用一点；
• 高斯牛顿法。用$J{J}^T$近似替代海塞矩阵，核心变为求解增量方程；
• 列文伯格-马夸尔特法。

6.2 实践部分

待续ing