非线性优化算法在SLAM中主要解决的问题:如何在有噪声的数据中进行准确的状态估计。
1.最小二乘问题引出
首先,将SLAM中的状态估计问题,从概率学的角度分析:已知输入数据u和观测数据z的条件下,求状态x,y的条件概率分布,由贝叶斯法则将条件概率分布表示为“后验概率=似然 * 先验概率”的形式:
此时状态最优估计问题转化为了一个该状态下后验概率最大化(最大后验分布)问题:
要最大化后验概率,也就是要最大化似然和先验概率的乘积,先验概率多数情况是很难知道的,因此只需要求最大似然估计:
最大似然估计的核心思想是:概率最大的事件最有可能发生,在视觉SLAM中表现为:什么样的状态下,最可能产生现在观测到的数据。接下来是通过数学模型:假设噪声项符合零均值的正态分布,因此观测数据的条件概率也满足正态分布,并使用最小化负对数来求解一个高斯分布的最大似然。P123-124对上述过程有详细推导,这里不做赘述,最终得到一个最小二乘问题。至此SLAM中的状态估计问题的分析思路: