《视觉SLAM十四讲第二版》笔记及课后习题（第六讲）

最新推荐文章于 2023-11-03 21:12:13 发布

nullwh

最新推荐文章于 2023-11-03 21:12:13 发布

阅读量2.7k

点赞数 13

分类专栏：视觉SLAM十四讲学习笔记

本文链接：https://blog.csdn.net/weixin_43619346/article/details/103201588

版权

本文是《视觉SLAM十四讲第二版》的读书笔记，重点探讨非线性优化中的批量状态估计问题和非线性最小二乘法。介绍了高斯-牛顿法（Gauss-Newton）在曲线拟合中的应用，并通过Ceres和g2o库进行实践。文章还涵盖了课后习题，包括线性方程最小二乘解的证明、优化方法的优缺点比较以及对其他优化库的调研。

摘要由CSDN通过智能技术生成

读书笔记：非线性优化

在前面几章，我们介绍了经典SLAM 模型的运动方程和观测方程。现在我们已经知
道，方程中的位姿可以由变换矩阵来描述，然后用李代数进行优化。观测方程由相机成像模型给出，其中内参是随相机固定的，而外参则是相机的位姿。于是，我们已经弄清了经典SLAM 模型在视觉情况下的具体表达。
然而，由于噪声的存在，运动方程和观测方程的等式必定不是精确成立的。尽管相机可以非常好地符合针孔模型，但遗憾的是，我们得到的数据通常是受各种未知噪声影响的。即使我们有着高精度的相机，运动方程和观测方程也只能近似的成立。所以，与其假设数据必须符合方程，不如来讨论，如何在有噪声的数据中进行准确的状态估计。
大多现代视觉SLAM 算法都不需要那么高成本的传感器，甚至也不需要那么昂贵的
处理器来计算这些数据，这全是算法的功劳。由于在SLAM 问题中，同一个点往往会被一个相机在不同的时间内多次观测，同一个相机在每个时刻观测到的点也不止一个。这些因素交织在一起，使我们拥有了更多的约束，最终能够较好地从噪声数据中恢复出我们需要的东西。本节就将介绍如何通过优化处理噪声数据，并且由这些表层逐渐深入到图优化本质，提供图优化的解决算法初步介绍并且提供训练实例。

批量状态估计问题

在这里插入图片描述

非线性最小二乘

在这里插入图片描述

改进版的G-N：

小结：

非线性优化是个很大的主题，研究者们为之奋斗多年
主要方法：最速下降、牛顿、G-N、L-M、DogLeg等
与线性规划不同，非线性需要针对具体问题具体分析
问题非凸时，对初值敏感，会陷入局部最优（目前没有非凸问题的通用最优值的寻找办法；问题凸时，二阶方法通常一两步就能收敛）

实践部分

需要安装Ceres 库和g2o库，在3rdparty文件夹中都有，都是cmake的工程，安装之前一样的安装方式安装即可。

gaussNewton

代码运行没有问题，结果如下：

/home/wh/shenlan/slambook2/ch6/cmake-build-debug/gaussNewton
total cost: 3.19575e+06, 		update: 0.0455771  0.078164 -0.985329		estimated params: 2.04558,-0.921836,4.01467
total cost: 376785, 		update:  0.065762  0.224972 -0.962521		estimated params: 2.11134,-0.696864,3.05215
total cost: 35673.6, 		update: -0.0670241   0.617616  -0.907497		estimated params: 2.04432