高斯牛顿(Gauss Newton)、列文伯格-马夸尔特(Levenberg-Marquardt)最优化算法与VSLAM

转载请说明出处：http://blog.csdn.net/zhubaohua_bupt/article/details/74973347

在VSLAM优化部分，咱们屡次谈到，构建一个关于待优化位姿的偏差函数

（直接法：灰度偏差  ；特征点法：重投影偏差），

当待优化的位姿使这个偏差函数最小时(当SLAM运动不是太剧烈时，偏差函数知足单峰性)，认为此时位姿最精确。

若是这个偏差函数是线性，并且已知解析式的，很容易经过求导，令导数=0,求极值解决问题。

然而，偏差函数是关于待优化位姿的一个非线性多元函数，怎么求使这个偏差函数最小的位姿呢？

实际上，这是一个非线性无约束最优化问题，在目前主流的VSLAM(好比ORB，SVO，LSD)里，

采用的优化算法主要有两种：

一种是高斯牛顿(Gauss Newton)算法，另外一种是列文伯格-马夸尔特(Levenberg-Marquardt)算法，简称LM算法。

下面咱们详细探讨一下，高斯牛顿和LM算法的原理以及在VSLAM中的应用。

首先，最小二乘是要解决什么问题？

       1 最小二乘算法

               

     1.1 线性最小二乘问题

 

             

1.2 非线性最小二乘问题

 

 

               

迭代过程以下图所示：

1.2.1 高斯牛顿法

 

 

                         

 

 

               

1.2.2 LM算法

 

 

               

         

 

       

 

                    

 

 

        

 

2        高斯牛顿和LM算法在VSLAM中的应用

                                   http://blog.csdn.net/zhubaohua_bupt/article/details/74011005

     http://blog.csdn.net/zhubaohua_bupt/article/details/74011005