1.扫描匹配
CeresScanMatcher2D精匹配
位置和旋转的构建残差比较简单；
主要难点是论文中提到的那个点云匹配的最小二乘优化公式用的 （1 - M * T* hk）²
代码中实现的是用的空闲的概率求最小来构建残差的（占用最大，最好匹配位置）
Cartographer（10）CeresScanMatcher2D_ceres grid2d-CSDN博客
2.后端回环node与submaps；node与node； IMU；odom；
核心思想：构建测量的相对位姿或位置 与 估计值（待优化值）构建残差的最小二乘问题(图优化中术语叫节点和边，节点对应每个激光node点的位姿，边对应这里的约束(constraint,相对位姿))。 所有求导方式构建为自动求导， 主要角度使用的轴角计算残差，中间的运算用到了四元数的插值和四元数的运算QuaternionParameterization
landmark 优化的同时会优化附近的node节点
ceres库解析：很详细，carto中的所有需要注意的东西都有提到，非常好的博客，可以作为主线研究一下最小二乘问题。
【SLAM】Ceres优化库超详细解析_ceres库-CSDN博客
重载()作用
一文助你Ceres 入门——Ceres Solver新手向全攻略-CSDN博客
贴几个有用的链接
官网给出的代价函数
Cost functions — Cartographer documentation
Cartographer ROS Integration — Cartographer ROS documentation
Real-Time Loop Closure in 2D LIDAR SLAM
【论文阅读】【Cartographer】Real-Time Loop Closure in 2D LIDAR SLAM 二维激光SLAM中的实时闭环检测 - 知乎
https://storage.googleapis.com/pub-tools-public-publication-data/pdf/45466.pdf
3.图优化
将图有化用简单的例子讲解的通俗易懂：顶点（位姿）与边的约束（编码器推测或地标）的
关系，通过边的关系构建线性方程组，使用最小二乘法求解最优的解（构建残差平方和函数，
求偏导），最主要在于引入了边的信息矩阵。
小结：图有化实际为通过顶点之间的关系（边）构建最小误差函数，求解最佳位姿。图构建
好以后，如何调整机器人位姿使误差最小。3篇中的一篇，第3篇matlab的代码非常值得学习。
https://heyijia.blog.csdn.net/article/details/47686523
可以配合这个视屏的第6讲的讲解
https://www.bilibili.com/video/BV1YP4y1C7La/?spm_id_from=333.999.0.0
此文中需要用到的知识：
a. 矩阵求导
【矩阵的导数运算】1_标量向量方程对向量求导_分母布局_分子布局_哔哩哔哩_bilibili
b. 2d中约束的更细致分解
c. cartographer中提到的一篇论文：
Efficient_Sparse_Pose_Adjustment_for_2D_mapping
求解 H X = -b 的稀疏求解方法。提到的LM 介绍了一种λ的更新方法
d. 状态估计：
两篇，感觉第二篇有点瑕疵，结论有点不好理解
《机器人学中的状态估计》笔记（1）——从简单的例子开始 - 知乎
中间插播一个最大似然估计MLE（slam14讲中最小二乘的引出）：
个人理解：已知为一组观测数据，同时假定模型（通常某个概率分布，高斯或者其他概率分布函数，其实未定）已知；代入这个假定的模型求解出现 目前观测到的数据的最大概率（通常为多个独立事件的联合概率），然后得到 模型参数。 最可能的参数得到的最可能的 模型（概率分布函数等），使得出现 以上观测数据的可能性最大。
以下为一个视频中对贝叶斯的理解
贝叶斯的理解比较好视频：这里结合全概率公式理解。 后验（p（原因A|观测B):理解为如果是现在的观测结果B，可能是A引发的概率）；似然P（B|A）理解为 在A的条件下B发生的概率（视频中说理解的传感器的精度，如果真实值为10度，测量为B的概率）；先验 p（A), 今天的温度取值可能不同，A（10,11），数据或者经验值获得； 主要难理解的是分母的p（B），传感器的观测概率，与A的关系，可以理解为传感器的测量值概率分布由传感器的固有属性决定，与今天多少温度无关。
贝叶斯滤波与卡尔曼滤波第三讲 贝叶斯滤波的三大概率_哔哩哔哩_bilibili
详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解-CSDN博客
贴两个高赞回答：
答主：石溪 提到极大似然估计的思想
聊一聊机器学习的MLE和MAP：最大似然估计和最大后验估计 - 知乎
e. 泰勒展开：
多元泰勒展开
https://zhuanlan.zhihu.com/p/110146436
泰勒展
脑路之清奇、操作之风骚、画风之诡异、场面之震撼
https://www.zhihu.com/question/25627482
f. 数值优化小结：
一阶导数二阶导数的意义：数学上标量函数一阶导数可以表达函数值变化快慢，二阶导数当然是表达一阶导数的函数值变化快慢（感觉废话实际有道理）; 一阶导数图像上的物理意义是斜率；而二阶导数则为斜率的变化率。
ｆ‘（ｘ）一阶导数等于０，可以求出鞍点或极值点记为x0（可能多个值）。
区别鞍点或极值点的方法：
法一：ｆ’（x0 + ｄ）* ｆ’（x0 - ｄ）< 0 （ｄ为微小变量）为极值点
当ｆ’（x0 - ｄ）> 0, ｆ’（x0 + ｄ）< 0为极大值; 当ｆ’（x0 - ｄ）< 0, ｆ’（x0 + ｄ）> 0为极小值
ｆ'（x0 + ｄ）* ｆ’（x0 - ｄ）>0 （ｄ为微小变量）为鞍点
法二：ｆ“(x0) < 0 极大值，> 0为极小值，=0 为鞍点或无意义。
呼应前面一堆废话：ｆ”（ｘ）的函数值可以判断极值点的类型，表征ｆ（ｘ）斜率的变化；ｆ'(x)表征ｆ（ｘ）斜率。 ｆ’（ｘ）的切线斜率可以很直观得出为哪种类型的拐点（极值点，鞍点）
用ｘ平方，ｘ立方，ｘ四次方结合图像理解（懒，不画图了）
加上ｆ（x）= x 3 + 3*x2图像理解
【manim】五分钟科普微积分系列：二阶导数的几何意义_哔哩哔哩_bilibilid
梯度的理解：
1.梯度其实就是各变量偏导数的向量，一个变量ｘ则为沿着ｘ方向的梯度
2.而我们所说的偏导数就是指的是多元函数沿坐标轴的变化率.
3.方向导数最大值的方向为梯度方向（函数值在该点变化率最大的方向）
为何名为梯度下降：梯度值在减小，但是迭代方向是梯度的反方向（一维）
如何通俗地理解梯度下降法 - 知乎
https://www.zhihu.com/question/305638940/answer/1639782992
为什么梯度反方向是函数值局部下降最快的方向
https://zhuanlan.zhihu.com/p/24913912
正定对比于自然数的大于0记忆（特征值）
数值优化课程：龙强老师讲的比较通俗易懂（这一部分看视频好一些，看书太累）
个人了解了一下凸优化：p4~p6; 之后就是数值优化基础核心篇：p19~p27。 作者只讲到拟牛顿法，没有讲到GN 和LM。
https://space.bilibili.com/1904398473/?spm_id_from=333.999.0.0这个同学对slam14讲的第6章的讲解：非常全面且系统，有高斯牛顿（GN）和列文伯格-马夸尔特（LM），作者还给出了一些比较有用的技巧，有点丰富，可以考虑加速。
https://www.bilibili.com/video/BV1YP4y1C7La/?spm_id_from=333.999.0.0
补充：对slam14 第6讲的推导
视觉SLAM十四讲_6非线性优化_哔哩哔哩_bilibili
g. 高博的视觉slam14讲:
6、9、10章比较系统的梳理了整个图优化相关理论（加第4章是为了解决姿态角的迭代），理论结构比较完整，但是有些理论还是需要延伸；如非线性优化相关的理论推导和李群李代数的知识推导(作者提到不希望过多的陷入数学推导，不过还是有很多推导(*￣︶￣))。
结：
heyijia三篇图优化对于cartographer足够，框架结构看slam14；其余补充靠自己；上面贴了一些比较好的网络参考资料
扫一扫
363
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
