SLAM中的非线性优化和BA总结

一、非线性最小二乘问题

  先考虑简单的问题：$$\underset{x}{\min }\frac{1}{2}||f(x)|{|}_2^2$$1.当$f$很简单时：令$\frac{df}{dx}=0$,将得到极值点或鞍点，比较这些解即可。
2.当$f$复杂时（$f$为n元函数）：$\frac{df}{dx}$难求，或$\frac{df}{dx}=0$很难解，此时使用迭代方式来求解。

  迭代的方式为：

1. 给定某个初始值$x_0$。
2. 对于第k次迭代，寻找一个增量$\Delta x_k$，使得$||f(x_k+\Delta x_k)|{|}_2^2$达到极小值。
3. 若$\Delta x_k$足够小，则停止。
4. 否则，令$x_{k+1}=x_k+\Delta x_k$，返回2。

  这里需要确定增量的方法（即梯度下降策略）：一阶的或二阶的。首先需要对其进行泰勒展开得到：$$||f(x_k+\Delta x_k)|{|}_2^2\approx ||f(x)|{|}_2^2+J(x)\Delta x+\frac{1}{2}\Delta x^{T}H\Delta x$$  若只保留一阶梯度：$\underset{\Delta x}{\min }||f(x)|{|}^{}$