SLAM基础- 题目：outlier+鲁棒核、RANSAC

       在VSLAM中，我们假定给出的对应集{x-x'},然后去计算相机的运动估计，但是由于噪声的影响，错误的匹配导致很差的估算效果采用2种方法减少这个错误匹配影响，选择那些正确的匹配进行估计（RANSAC）和降低那些错误匹配的权重（鲁棒核函数）两者区别是：

 RANSAC方法进行模型估计，实际上分了两步，首先选出局内点，然后再进行一步优化。鲁棒核函数只需要一步，直接优化求解模型参数，通过降低外点的权重，来降低错误数据的影响。

在最小二乘，即重投影误差最小化的目标函数中，如果一旦出现误匹配，这一部分对目标函数的梯度会影响很大（梯度大），导致偏离正确的优化方向。原因可理解为误差很大时，二范数的增长过快。

 参考：

1.视觉SLAM14讲

2.https://blog.csdn.net/weixin_39752599/article/details/103497730