关于SLAM中高斯牛顿法的一些理解

已于 2022-06-03 10:20:12 修改
阅读量366 收藏
点赞数
分类专栏： 2021SC@SDUSC 项目实训 文章标签： 人工智能
于 2022-03-26 15:59:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45668912/article/details/123751370
版权

记录一下高斯牛顿法，首先介绍一下背景，假如是一个误差函数求最小值，那么通常情况下就是求取导数为0时的值，然后取其中最小值，但多变量情况下求导是比较困难的，这时可以通过给定一组x的方法进行估算，也就是给出f(x+\Delta x)，假如该值较小并且\Delta x也足够小时就可以认定x为最小值。而牛顿法以及高斯牛顿法就是对\Delta x的计算。

牛顿法是对目标函数进行二阶泰勒展开，此时该函数为一个变量为\Delta x的二次函数，可以进行求导计算，然而牛顿法的二阶导数矩阵，也即海塞矩阵计算过慢，所以使用改进的高斯牛顿法，该方法求取的是目标函数误差的平方和，而且泰勒展开时对目标函数的一部分进行求解，然后对\Delta x进行求导，最终可以得到如下方程：

\frac{\partial ||f(x_{k}+J(x_{k})^{T}\Delta x_{k})||^{2}}{\partial\Delta x_{k}}=0

J(x_{k})J(x_{k})^{T}\Delta x_{k}=-J(x_{k})f(x_{k})

然后可以得到公式：

H(x_{k})=J(x_{k})J(x_{k})^{T},g(x_{k})=-J(x_{k})f(x_{k})

所以高斯牛顿法的增量方程为

H(x_{k})\Delta x_{k}=g(x_{k})

也就是说高斯牛顿的过程应当如下图所示

zyuxing
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
视觉slam第五章作业--高斯牛顿
m0_47096428的博客
07-11 370
视觉slam的作业越来越难了...通过这次作业,熟悉了 1. 从3d坐标到重投影误差的建立过程 2. 高斯牛顿法建模的过程 3. 用se3/SE3进行优化和迭代更新的过程 今天来记录一下用高斯牛顿法用于估计相机位姿这道题. 来捋一下高斯牛顿的流程,首先,我们需要明确优化量 在这里,就是对于相机位姿进行优化. 注意,相机位姿采用SE3的形式表达==>为了便于更新迭代 而我们这里的误差项的表达就是对应的重投影误差,就是每个点的三维坐标投影到相机平面(预测值)与在相机平面的观测位置的差.
lidar_slam_高斯牛顿优化方法.tar.gz
12-26
在高斯-牛顿法中，我们假设误差函数可以局部线性化，即在当前迭代点附近，误差函数可以由一个二次型近似表示。 然后，我们求解一个线性系统来更新参数。这个线性系统是雅可比矩阵的转置乘以雅可比矩阵，再乘以参数...
SLAM之路－高斯牛顿法Cpp实现（元素视角）
DavidWang
08-28 799
版权声明：Davidwang原创文章，严禁用于任何商业途径，授权后方可转载。在SLAM优化算法中，最速下降法由于下降路线呈垂直Z之形方式，其在离目标值较远时下降速度快，越目标值越近收敛速度越慢；牛顿法由于要求解二阶海森矩阵（Hessian），导致在数据量较大维度较高时计算量大幅度增加。因此，在实际使用中，我们更倾向于使用高斯牛顿法和列文伯格－马夸尔特法（还有DogLeg法等）
SLAM算法＆技术之Gauss-Newton非线性最小二乘算法
3D视觉工坊
11-13 1515
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达编辑丨点云PCL前言很多问题最终归结为一个最小二乘问题，如SLAM算法中的Bundle Adjustment，位姿图优化等等。求解最...
SLAM十四讲----非线性优化----手撕高斯牛顿法（用Eigen库实现）
qq_39400324的博客
03-12 1749
  本文是SLAM十四讲学习笔记，用Eigen库手撕高斯牛顿法。 手撕高斯牛顿法（用Eigen库实现）1.高斯牛顿法介绍2.高斯牛顿法Eigen库实现2.1非线性函数构造2.2Eigen库实现 1.高斯牛顿法介绍   简单的最小二乘问题可以描述如下： minxF(x)=12∣∣f(x)∣∣2 \begin{aligned} \underset{x}{min}F(x)=\frac {1}{2} ||f(x)||^2 \end{aligned} xmin​F(x)=21​∣∣f(x)∣∣2​   高斯牛顿法是最
slam14-ch4作业---高斯牛顿法求解非线性拟合
weixin_42232538的博客
04-26 522
仅自己学习笔记使用。 参考了这篇答案 一、问题描述 二、思路分析 思路： 掌握的也不熟不知道对不对 首先设定要优化的函数–误差函数f(x),本题中的优化函数是f(x) = error * error 二次范数 其次，利用一次范数error 求出雅阁比矩阵J 利用G-N法的公式 H * x = b ,H = J^T * J ,b = -f(x) * J, J 则是error的一阶...
通过欧拉角采用高斯牛顿法来进行旋转矩阵外参或者求解旋转平移矩阵外参
07-06
总之，通过欧拉角和高斯牛顿法迭代优化旋转和平移外参，能够精确地估算出物体在三维空间中的位置和姿态，这对于机器人导航、图像拼接、SLAM（Simultaneous Localization and Mapping）等应用场景至关重要。理解并...
用于SLAM的，如何直接利用畸变参数通过自己编程实现图像去畸变，以及如何自己实现高斯-牛顿法
07-10
SLAM（Simultaneous Localization and Mapping）是机器人和计算机视觉领域的一个关键问题，它涉及到同时...理解图像去畸变和高斯-牛顿法将使你能够在实际SLAM系统中更有效地处理图像数据，从而提高定位和建图的精度。
hector_slam_slam_
10-01
1. **高斯-牛顿法**：Hector SLAM在解决扫描匹配问题时采用高斯-牛顿优化方法。这是一种非线性最小二乘法，用于迭代地逼近问题的最优解。它通过线性化非线性问题并使用梯度下降法来更新参数，从而逐步改进估计。 2....
pnp_by_BA_eigen库_www.by4b_pnp_slam_SLAM中的PnP的求解方法_
10-03
在计算机视觉领域，Simultaneous Localization and Mapping (SLAM) 是一个关键问题，它涉及到机器人或传感器设备在未知环境中同时构建地图并确定自身位置。在SLAM的过程中，Pose Graph Optimization（PGO）和 ...
用高斯牛顿法求非线性方程组的一组解
10-20
用高斯牛顿法求非线性方程组的一组解
SLAM从0到1——状态估计之最小二乘问题解法：最速下降法、牛顿法、高斯牛顿法、LM法...
3D视觉工坊
03-22 2073
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达学习3D视觉核心技术，扫描查看介绍，3天内无条件退款圈里有高质量教程资料、可答疑解惑、助你高效解...
【视觉slam14讲】高斯牛顿法
weixin_48852054的博客
08-10 158
double>>
高斯牛顿法
weixin_40324045的博客
08-03 171
高斯牛顿
高斯-牛顿算法
最新发布
Thomas会写字
08-25 5399
指因变量与自变量之间的关系不是线性的关系，比如平方关系、对数关系、指数关系、三角函数关系等等。对于此类方程，求解n元实函数f在整个n维向量空间Rn上的最优值点往往很难得到精确解，经常需要求近似解问题。求解该最优化问题的方法大多是逐次一维搜索的迭代算法，基本思想是在一个近似点处选定一个有利于搜索方向，沿这个方向进行一维搜索，得到新的近似点。如此反复迭代，知道满足预定的精度要求为止。需要用目标函数的到函数，又称最速下降法，是早期的解析法，收敛速度较慢收敛速度快，但不稳定，计算也较困难。
SLAM学习笔记——基础知识补充（牛顿法与ceres）
qq_21043585的博客
01-27 2741
文章目录牛顿法雅可比矩阵与黑塞矩阵与梯度泰勒展开梯度下降牛顿法和LM修正拟牛顿法牛顿法非线性最小二乘高斯牛顿法比较ceres库简单应用 补充一些最优化的基础知识，现代的人工智能、控制理论一类基本都是基于优化理论的。想学好这门课需要扎实的线性代数基础。牛顿法是SLAM中使用最多的优化方法，利用ceres库可以进行求解。 牛顿法 雅可比矩阵与黑塞矩阵与梯度 先问一个问题，什么是方向导数？什么是梯度？ 方向导数是一个数字，就是在某个方向下的变化速度，而梯度是什么，是一个方向，在这个方向下，方向导数是最大的。 雅可
SLAM之路－列文伯格马夸尓特法Cpp实现(元素视角)
DavidWang
09-01 561
版权声明：Davidwang原创文章，严禁用于任何商业途径，授权后方可转载。从高斯牛顿法可知，由于使用$J(x)J^T(x)$近似了二阶导数H矩阵，导致最后的矩阵不一定为正定矩阵，所以可能会导致方程无解。列文伯格马夸尓特法针对这种情况进行了改进，即对$J(x)J^T(x)$矩阵进行改造，添加了一个参数值，保证最后得到的矩阵为正定矩阵，即增量方程变为
[学习SLAM]最小二乘、梯度下降法、牛顿与高斯-牛顿与LM关系总结
开源节流
12-21 1311
目录 一、最小二乘法引出 1、线性最小二乘与非线性最小二乘的关系 2、梯度下降法 二、非线性最小二乘（高斯牛顿、LM） 三、线性最小二乘 SLAM的优化方法是基础知识，尤其最小二乘法是所有优化的基础。接下来将对以下知识进行总结。 最小二乘法 非线性：最速下降法、牛顿法、高斯牛顿法（GN）、列文伯格-马夸尔特（LM）联系 线性：QR分解、乔姆斯基分解法求解（Cholesky）、奇异值分解（SVD） 一、最小二乘法引出 最小二乘问题通常可以表述为,通过搜集到的一些数据(获取得到的样本)...
激光SLAM5-高斯牛顿优化方法
lsxpu的专栏
12-26 1026
1.1 基于优化的方法(Optimization-based Method) 理论部分： 参考代码： /** * @brief ComputeCompleteHessianAndb * 计算H*dx = b中的H和b * @param map * @param now_pose * @param laser_pts * @param H * @param b */ void ComputeHessianAndb(map_t* map, Eigen::Vector3d now_pose
图像去畸变技术在视觉SLAM中的应用
高斯-牛顿法是一种常用的解决这类问题的数值方法，它通过迭代逼近最小二乘解来优化非线性函数。在SLAM中，这可能用于优化相机的运动参数或地图点的位置，以最小化重投影误差。 这份资料提供了关于视觉SLAM中相机...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值