解<最小二乘法>

本文从视觉SLAM的角度深入探讨最小二乘法,解析非线性优化在解决最小二乘问题中的应用。内容包括最速下降法、牛顿法的推导,以及高斯-牛顿法和Levenberg-Marquardt法的结论,阐述了这些方法在求解相机位姿和三维地图点优化中的作用。
摘要由CSDN通过智能技术生成

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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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