SLAM--非线性优化--思路整理

待解决问题: 得知观测数据,求最可能的位姿。

说明:最大似然估计->求负对数最小值->根据得到的负对数最小的简化方程提出slam的误差优化模型(运动误差和观测误差的平方和)(也就是待优化的目标函数)->引入最小二乘法模型->目标函数(平方式子||f(x)||^2)->求解目标函数(不方便求导时,引入增量△ x)->求解增量->两类方法(一阶和二阶梯度法)(Gauss-Newton、Levenberg-Marquadt)->首先分析一阶和二阶梯度法(直接使用泰勒展开)->(保留一阶时:(最速下降法)缺点:曲线容易出现锯齿)->(保留二阶时:(牛顿法)缺点:问题过大时求解困难)->引出G-N方法(对f(x+△ x)泰勒展开,并对△ x进行求导,令导数为0,求解增量矩阵)(求解得到的增量矩阵不稳定)->引出L-M方法(添加了信赖域)->将带约束的优化方程转化成带乘子的无约束的优化方程->将该方程进行泰勒展开并并对△ x进行求导,令导数为0,求解增量矩阵。

 

精(liao)彩(cao)笔记如下:

 

发布了24 篇原创文章 · 获赞 10 · 访问量 3万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 大白 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览