本文介绍了SLAM中的运动模型与观测模型，重点讨论了批量法和递归求解，以及频率学派与贝叶斯学派的不同。讲解了最大似然估计和最小二乘法在SLAM中的应用，包括高斯牛顿法、Levenberg-Marquardt优化技术，以及图优化理论在机器人路径拟合中的应用。
在七月算法报的班，老师讲的蛮好。好记性不如烂笔头，关键内容还是记录一下吧，课程入口，感兴趣的同学可以学习一下。
-------------------------------------------------------------------------------------------------------------------------------
SLAM中的两个关键模型，运动模型与观测模型
求解有两种方法：批量法与递归法
批量法：一次性给定所有的数据，以此估计所有的变量。
频率学派与贝叶斯学派的区别
贝叶斯学派的做法
最大似然估计的计算方法
最大后验估计的计算方法
SLAM中最大似然估计与最小二乘法的关系
最小二乘法。
首先是用平方和来衡量设计的模型与实际数据之间的差异。
最小二乘就是让这个误差最小
通过计算目标函数的一阶导数，可以找到极值点和鞍点。
迭代法的步骤
求解增量的方法
只保留一阶导数，是梯度下降法
保留二阶导数，是牛顿法
海森矩阵计算量较大，有两种改进方式：Gauss-Newton 和 Levenberg-Marquadt法。
牛顿法与高斯牛顿法的区别在增量方程
高斯牛顿法的流程：
L-M方法：
高斯牛顿法的弊端是不一定可逆
L-M法与高斯牛顿法的区别
L-M法的流程
L-M法的增量方程
图优化理论
所谓的图优化，就是把一个常规的优化问题，以图（Graph）的形式来表述。
比如机器人在空间中移动，并观察几个路标的，可以简化出一个图。
优化的目的就是拟合出最理想的轨迹。
图优化的作用就是将其抽象成一个图结构，用图的形式描述这个问题
计算过程是：
1.定义顶点和边的类型；
2.构件图；
3.选择优化算法；
4.利用给g2o进行优化，得出结果
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
