视觉SLAM十四讲ch6 非线性优化笔记

本讲目标

·理解最小二乘法的含义和处理方式。
·理解Gauss-Newton, Levenburg-Marquadt等下降策略。
·学习Ceres库和g2o库的基本使用方法。

上讲回顾

状态估计问题

运动方程运动噪声Wk，观测方程观测噪声Vk,j，Zk,j为像素。

滤波器求解状态估计：假设一个系统具有马尔科夫性，即一个系统下一个时刻的状态经受上一个时刻的状态。那就可以仅用维护当前时刻的状态，当有新的数据或者新的输入进入系统中，就可以更新当前状态的估计。只要关心当前时刻到下一个时刻估计。Xk，Yk怎样去维护他们就可以。

∝ ：正比于的符号

非线性最小二乘

高斯牛顿 和 列文伯格-马夸尔特方法

Gauss-Newton：高斯牛顿

Levenburg-Marquadt：列文伯格-马夸尔特

p=1时，近似可靠。


H+λI相当于增加正定性。

H+λI：λI=0，只有二阶系数；H=0，只有一阶系数。

小结

• 非线性优化是个很大的主题，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等。
• 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，对初值敏感，会陷入局部最优
  • 目前没有非凸问题的通用最优值的寻找办法
  • 问题凸时，二阶方法通常一两步就能收敛

实践：CERES

实践：G2O

G-N有可能不收敛，L-M、DogLeg会收敛。