内容整理自<视觉SLAM十四讲>
一.前言
上回说道:
这就得到了一个总体意义下的最小二乘问题(Least Square Problem)。我们明白它的最优解等价于状态的最大似然估计。
也就是说最大似然估计又被转换成了噪声项(即误差)的平方的最小化.
现在开始用非线性优化的方法求求解最小二乘法:注意前端通过ICP 和PnP会提供非线性优化算法的初值.
初值可能会通过"先求相机位姿,再求空间点位置"的方法,(注意这个方法和BA中的边缘化方法不是一个哈,边缘化虽然也有点类似这个意思,Schur补)但是非线性优化则是把它们都看成优化变量.
注意非线性优化和BA是不同的:非线性优化是一种优化算法,BA只是passive vision(被动视觉)也就是普通相机进行SLAM 求解时的那个观测方程的表现形式.BA使用非线性优化策略.当然如果BA已经扩散成一个大概念了那就不同了.
二.总体思路
对于最小二乘问题,可以直接求解目标函数的导数,使导数为0,然后求解X的最优值.注意这里的X是一个整体优化函数,里面包括三维地图点和相机位姿.(如果在dso里面,还要包括很多东西,包括相机光学参数等)
但是直接求解导数的零点这样的非线性方程太复杂了,所以&#x