如何使SLAM中的graph更鲁棒

​
原文地址 Parameter Estimation Techniques： A Tutorial with application to Conic Fitting

优化中最难的部分是根据各观测设置不同的噪声，为了缓解噪声设置不准备的问题或外点问题，引入robust estimation（huber是常见的一种）。

Robust Estimation

1. Clustering or Hough Transform

2. Regression Diagnostics

3. M-estimators

优化目标$min{\Sigma }_i\rho (r_i)$，需要保证$\rho$函数为正，且只能有一个变量使其结果为0.



文中提高huber的问题在于二阶导数的不连续性，引入一个连续的类似huber的函数：

还有一种常用的3段权重函数：

文中还提到了一种计算 $\sigma$的方法，

4. Least Median of squares

文中提到这种方法对外点十分有效！！
这种方法与RANSAC方法十分相似，也提出了一种加权least-squares 来模拟least median of square，因为lms的效率比较低。

5. 总结