视觉SLAM笔记(三)-非线性优化

SLAM问题中,机器人自身的状态估计主要有两种方式: 基于滤波器的方法(Kalman filter, Particle filter等)和基于非线性优化的方法,目前主流的SLAM方案均使用了非线性优化方法

状态估计

经典SLAM模型主要由运动模型和观测模型组成,其方程如下
xk=f(xk−1,uk)+wkzk,j=h(yj,xk)+vk,j {x}_{k}=f\left({x}_{k-1}, {u}_{k}\right)+{w}_{k}\\ {z}_{k, j}=h\left({y}_{j}, {x}_{k}\right)+{v}_{k, j} xk=f(xk1,uk)+wkzk,j=h(yj,xk)+vk,j
在传统的基于滤波器的方案中其状态估计分为两个步骤: 运动更新与观测更新,从概率学的角度看,是在已知输入数据uuu和观测数据zzz的条件下,计算状态xxx的条件概率分布,x={ x1,...,xN,y1,...,yM}x=\lbrace x_1,...,x_N,y_1,...,y_M \rbracex={ x1,...,xN,y1,...,yM},包括了机器人自身位姿以及环境中的路标点,利用贝叶斯法则:
P(x∣z)=P(z∣x)P(x)P(z) P(x|z)=\frac{P(z|x)P(x)}{P(z)} P(xz)=P(z)P(zx)P(x)
其中P(x∣z)P(x|z)P(xz)为后验概率,P(z∣x)P(z|x)P(zx)为似然,P(x)P(x)P(x)为先验,此时的目标为求解一个xxx使得后验概率最大
xMAP∗=arg⁡max⁡P(x∣z)=arg⁡max⁡P(z∣x)P(x) {x}^{*}_{M A P}=\arg \max P({x} | {z})=\arg \max P({z} | {x}) P({x}) xMAP=argmaxP(xz)=argmaxP(zx)P(x)
未知先验的情况下,求解最大似然问题,即在什么状态下最可能产生当前的观测数据
xMLE∗=arg⁡max⁡P(z∣x) x^*_{MLE}=\arg \max P(z|x) xMLE=argmaxP(zx)
对上述的观测模型zk,j=h(yj,xk)+vk,jz_{k,j}=h(y_j,x_k)+v_{k,j}zk,j=h(yj,xk<

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值