我们已经探讨了观测模型
X为旋转 平移，h为相机观测模型
，但可以求解
eg.从最大似然到最小二乘
- 直观的解释
- 由于噪声的存在，当我们把估计的轨迹与地图代入SLAM的运动、观测方程时，他们并不会完美的成立
- 此时就调整状态的估计，使得误差最小化
- 该问题有何结构
- 由许多个误差的平方和（Sigma范数和组成）
- 虽然总体维度高，但每个项很简单，只关联2个变量
- 如果用李代数表达位姿，那么是无约束优化问题
- 如何求解
- 介绍通用的非线性最小二乘问题
非线性最小二乘
先考虑简单的问题：
这里
,f为任意函数
- 当f很简单时：
- 解：
将得到极值点或者鞍点，比较这些点即可。
- 当f复杂时：
难求，
很难解
- 使用迭代方式求解
如何使用迭代的方式：
- 给定某个初始值
- 对于第k次迭代，寻找一个增量
，使得
达到最小值
足够小，则停止
- 否则，令
,返回2
如何确定增量？ 确定增量的方法（即梯度下降策略）：一阶或者二阶的泰勒展开
1.png
1.png
最速下降法和牛顿法虽然直观，但实用当中存在一些缺点
- 最速下降法会碰到zigzag问题（过于贪婪）
- 牛顿法迭代次数少，但需要计算复杂的Hessian矩阵
能否回避Hessian的计算？
- Gauss-Newton
- Levenberg-Marquadt
G-N用J的表达式近似了H
步骤：
- 给定初始值
- 对于第k次迭代，求出当前的雅克比矩阵
和误差
- 求解增量方程：
- 若
足够小，则停止。否则，令
返回2
改进版的G-N
LM相比于GN，能够保证增量方程的正定性
- 即，认为近似只在一定范围内成立，如果近似不好则缩小范围
- 从增量方程来看，可以看成一阶和二阶的混合
- 参数
控制着两边的权重
小结
- 非线性优化是个很大的主体，研究者们为之奋斗多年
- 主要方法：最速下降，牛顿，G-N，L-M，DogLeg
- 与线性规划不同，非线性需要针对具体问题具体分析
- 问题非凸时，对非凸敏感，会陷入局部最优
- 目前没有非凸问题的通用最优值的寻找方法
- 问题凸时，二阶方法通常一两步就能收敛
