视觉slam爬坑——高翔深蓝学院——第五讲——非线性优化

这部分跟前面学旋转矩阵和李代数一样，还是很抽象的那种，有种学完了写代码还是无从下手的感觉，但是理论基础还是要过的，后面再补充。

（1）本节内容

1、最小二乘 2、非线性最小二乘 3、解决误差的两个高阶办法（高斯牛顿法和列文伯格法）

（2）需要的基础知识

暂时不好描述

（3）开发环境

编译平台：ubuntu16.04，
编译软件：IDE：Clion 编译器：Cmake 语言标准：C++11

（4）学习内容

对于位姿X和路标Y进行观测和预估，预估的过程是个最小化误差的问题即：ek=预估模型-实际测量，最小的问题近似的看作求非线性最小二乘法的问题
首先来看最小化二乘法本质是什么：https://www.zhihu.com/question/37031188/answer/411760828
个人理解最小化二乘法就是在有限取值内让 |模型预测值-样本值| 插值最小的一种方法，
假设模型函数为Ax，样本为b，则问题变为
该方程转换成矩阵形式后通常可以通过正规方程、QR 分解、乔姆斯基分解(Cholesky decomposition)和奇异值分解(SVD)等方法求解。上述的几种方法都是针对线性最小二乘法的求解 ，
可以参考：https://www.cnblogs.com/leexiaoming/p/7224781.html
对于非线性最小二乘法参考：https://www.cnblogs.com/leexiaoming/p/7257198.html
使用高斯牛顿法和Levenberg-Marquardt（LM）算法进行优化

总体参考https://wenku.baidu.com/view/74f5f9f4fad6195f312ba6e9.html