最大似然估计_最大似然、最大后验、贝叶斯估计

《视觉SLAM十四讲 第6讲 非线性优化》

在非线性优化中，把所有带估计的变量放在一个“状态变量中”：

对相机状态的估计，就是已知输入数据u和观测数据z的条件下，求计算状态x的条件概率分布：

类似于x，这里u和z 是对所有数据的统称。特别地，当没有测量运动的传感器，只有一张张图像时，只考虑观测方程带来的数据时，相当于估计

的条件概率。为了估计状态变量的条件分布，利用贝叶斯法则，有：

贝叶斯法则左侧通常称为后验概率（也称为条件概率），右侧的P(z|x)称为似然（已知分布，估计参数，使该分布成立的概率最大），另一部分P(x)称为先验，先验即经验概率（硬币正反面概率各二分之一类似的常识）。直接求后验分布是困难的，但是求一个状态最优估计，使得在该状态下后验概率最大化（Maximize a Posterior,MAP），则是可行的：

由于贝叶斯法则的分母部分与待估计的状态x无关，可以忽略。贝叶斯法则告诉我们，求解最大后验概率相当于最大化似然和先验的乘积。如果不知道相机大概在什么地方，此时就没有了先验。那么，可以求解x的最大似然估计（Maximize Likelihood Estimation,MLE）。

直观讲，似然是指“在现在的位姿下，可能产生怎样的观测数据”。由于知道观测数据，所以最大似然估计可以理解成：“在什么样的状态下，最可能产生现在观测到的数据”。

非线性最小二乘问题的求解

f是个数学形式上很简单的函数，问题也许可以用解析形式来求。零目标函数的导数为零，然后求解x的最优值，就和求二元函数的极值一样。

它们可能是极大、极小或鞍点处的值，只要逐个比较它们的函数值即可。但这个方程的求解取决于f导函数的形式。在SLAM中，使用李代数来表示机器人的旋转和位移，其导数形式讨论过，但不代表能顺利求解一个复杂的非线性方程。

对于不方便求解的最小二乘问题，可以用迭代的形式，从一个初始值出发，不断地更新当前的优化变量，使目标函数下降。具体步骤如下：

1.给定某个初始值