SLAM学习笔记(五)

非线性优化

Posted by QIY on September 6, 2020

高翔老师SLAM14讲学习笔记

1 状态估计问题

即在x1条件下估计x2,也就是对下一个状态的估计,可用的方法:svm、神经网络、贝叶斯(最大后验、最大似然估计)。 直观解释

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、观测方程中时,它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

1.1 如何估计

状态变量(所有待求解的量) 状态估计等同于求解条件分布:

1.2 最小二乘法如何求最优

1.2.1最速法

1.2.2 牛顿法

1.2.3 比较

1.2.3 高斯牛顿法

1.2.4 L-M方法

1.2.5 改进版G-N

1.3 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 SLAM第六讲学习笔记