原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
第6讲
非线性优化
本标
1.理解最小二乘法的含义和处理方式。
2.理解Gauss-Newton,Levenburg-Marquadt等下降策略。
3.学习Ceres库和g2o库的基本使用方法。
面几章，我们介绍了经典SLAM模型的方程和观测方程。现在我们已经知
道，方程中的位姿可以由变换矩阵来描述，然后用李代数进行优化。观测方程由相
机成像模型给出，其中内参是随相机固定的，而外参则是相机的位姿。于是，我们
已经弄清了经典SLAM模型在视觉情况下的具体表达。
然而，由于噪声的存在，方程和观测方程的等式必定不是精确成立的。尽管相
机可以非常好地符合针孔模型，但遗憾的是，我们得到的数据通常是受各种未知噪
声影响的。即使我们有着高精度的相机，方程和观测方程也只能近似的成立。
所以，与其假设数据必须符合方程，不讨论，如何在有噪声的数据中进行准确
的状态估计。
大多现代视觉SLAM算法都不需要那么高成本的传感器，甚至也不需要那么昂贵的
处理器来计算这些数据，这全是算法的功劳。由于在SLAM问题中，同一个点往往会
被一个相机在不同的时间内多次观测，同一个相机在每个时刻观测到的点也不止一
个。这些因素交织在一起，使我们拥有了的约束，最终能够较好地从噪声数据中
恢复出我们需要的东西。本节就将介绍如何通过优化处理噪声数据，并且由这些表层
逐渐深入到图优化本质，图优化的解决算法初步介绍并且训练实例。
(+Δ≈(+(Δ
1
+ΔΔ
2
+⋯
6.1状态估计问题
6.1.1最大后验与最大似然
接着前面几章的内容，我们回顾一下第二讲讨论的经典SLAM模型。它由一个状态
方程和一个方程构成，如式（2.5）所示：
()
=−1,+
{.
=ℎ(,)+
通过第四讲的知识，我们了解到这里的乃是相机的位姿。我们可以使用变换矩
阵或李代数表示它。至于观测方程，第五讲已经说明了它的内容，即针孔相机模型。
为了让读者对它们有更深的印象，我们不妨讨论一下它们的具体参数化形式。首先，
位姿变量可以由或exp()表达，二者是等价的。由于方程在视觉
SLAM中没有特殊性，我们暂且不讨论它，主要讨论观测方程。假设在处对路
标进行了一次观测，对应到图像上的像素位置,，那么，观测方程可以表示
成：
∧
=xp().
根据上一讲的内容，读者应该知道这里为相机内参，为像素点的距离。同时
这里的,和都必须以齐次坐标来描述，且中间有一次齐次到非齐次的转换。
如果你还不熟悉这个过程，请回到上一讲再仔细看一看。
现在，考虑数据受噪声的影响后，会发生什么改变。在和观测方程中，我们通
常假设两个噪声项,满足零均值的高斯分布：
∼0,),∼0,,).
在这些噪声的影响下，我们希望通过带噪声的数据和，推断位姿和地图
（以及它们的概率分布），这构成了一个状态估计问题。由于在SLAM过程中，这
些数据是随着时间逐渐到来的，所以在
文档评论（0）