版权声明:这些都是咸鱼Nova最后的挣扎,各位大佬转载请注明出处 https://blog.csdn.net/weixin_40883049/article/details/87857286
视觉SLAM十四讲学习笔记——第六章 非线性优化
6.1 状态估计问题
6.1.1 最大后验与最大似然
-
回顾经典 SLAM 模型:
-
在运动和观测方程中,通常假设两个噪声项 满足零均值的高斯分布:
-
状态估计问题:通过带噪声的数据 和 ,推断位姿 和地图 (以及它们的概率分布)。
-
非线性优化方法比普遍的滤波器方法更有效,成为当前视觉 SLAM 的主流方法。
-
对机器人状态的估计,就是求已知输入数据 和观测数据 的条件下,计算状态 的条件概率分布: ,只有一张张的图像时,即只考虑观测方程带来的数据时,相当于估计 的条件概率分布。
-
根据贝叶斯法则:
-
贝叶斯法则左侧通常称为后验概率。它右侧的 称为似然,另一部分 称为先验。
-
直接求后验分布较困难,转而求一个状态最优估计,使得在该状态下,后验概率最大化较为简单:
- 若不知道机器人位姿大概在什么地方,此时就没有了先验。进而可以求解 的最大似然估计:
- 最大似然估计,可以理解成:“在什么样的状态下,最可能产生现在观测到的数据”
6.1.2 最小二乘的引出
- 假设噪声项 ,所以观测数据的条件概率为
- 使用最小化负对数的方式,来求一个高斯分布的最大似然。考虑一个任意的高维高斯分布 ,它的概率密度函数展开形式为:
- 取负对数
-
第一项与 无关,可以略去。代入 SLAM 的观测模型,相当于在求:
该式等价于最小化噪声项(即误差)的平方(Σ 范数意义下)。 -
对于所有的运动和任意的观测,定义数据与估计值之间的误差
并求该误差的平方之和:
它的最优解等价于状态的最大似然估计。 -
SLAM 中的最小二乘问题具有一些特定的结构:
- 整个问题的目标函数由许多个误差的(加权的)平方和组成。但每个误差项都是简单的,仅与一两个状态变量有关。每个误差项是一个小规模的约束,把这个误差项的小雅可比矩阵块放到整体的雅可比矩阵中。称每个误差项对应的优化变量为参数块(Parameter Block)
- 整体误差由很多小型误差项之和组成的问题,其增量方程的求解会具有一定的稀疏性,使得它们在大规模时亦可求解。
- 使用李代数表示,则该问题是无约束的最小二乘问题
- 使用了平方形式(二范数)度量误差,它是直观的,相当于欧氏空间中距离的平方。
6.2 非线性最小二乘
- 对于函数形式简单的最小二乘问题,可以直接使用求导模型。
- 对于不方便直接求解的最小二乘问题,可以用迭代的方式,从一个初始值出发,不断地更新当前的优化变量,使目标函数下降。
具体的步骤为:
这让求解导函数为零的问题,变成了一个不断寻找梯度并下降的过程,直到算法收敛。
6.2.1 一阶和二阶梯度法
- 将目标函数在
附近进行泰勒展开:
- 最速下降法:只保留一阶梯度,增量的方向为:
即沿着反向梯度方向前进 - 牛顿法:保留二阶梯度,增量方程为:
求右侧等式关于 的导数并令它为零,得到了增量的解:
- 两种方法的问题:
- 最速下降法过于贪心,容易走出锯齿路线,反而增加了迭代次数。
- 牛顿法则需要计算目标函数的 矩阵,这在问题规模较大时非常困难,通常倾向于避免 的计算
6.2.2 Gauss-Newton
- 思想是将
进行一阶的泰勒展开(注意不是目标函数
):
当前的目标是为了寻找下降矢量 ,使得 达到最小 - 为了求
,需要解一个线性的最小二乘问题
将上述目标函数对 求导,并令导数为零。这里考虑的是 的导数(而不是 ) - 先展开目标函数的平方项:
求上式关于 的导数,并令其为零:
称它为增量方程,也可以称为高斯牛顿方程 (Gauss Newton equations) 或者正规方程 (Normal equations)。
把左边的系数定义为 ,右边定义为 ,上式变为: 。对比牛顿法可见, Gauss-Newton 用 作为牛顿法中二阶 Hessian 矩阵的近似,从而省略了计算 的过程。 - 求解增量方程是整个优化问题的核心所在,Gauss-Newton 的算法步骤可以写成:
- 高斯-牛顿法的问题
- 在使用 Gauss Newton 方法时,可能出现 为奇异矩阵或者病态 (illcondition) 的情况,此时增量的稳定性较差,导致算法不收敛。
- 假设 非奇异也非病态,如果求出来的步长 太大,也会导致局部近似不够准确,甚至都无法保证它的迭代收敛。
6.2.3 Levenberg-Marquadt
- 信赖区域方法 (Trust Region Method):给 添加一个信赖区域(Trust Region),不能让它太大而使得近似不准确。
- 考虑使用如下公式来判断泰勒近似是否够好
如果 接近于 1,则近似是好的。如果 太小,说明实际减小的值远少于近似减小的值,则认为近似比较差,需要缩小近似范围。反之,如果 比较大,则说明实际下降的比预计的更大,我们可以放大近似范围。 - 改良版的非线性优化框架
这里近似范围扩大的倍数和阈值都是经验值,可以替换成别的数值 - 用 Lagrange 乘子将它转化为一个无约束优化问题:
为 Lagrange 乘子
展开后,核心仍是计算增量的线性方程:
考虑 ,那么相当于求解
当参数 比较小时, 占主要地位,这说明二次近似模型在该范围内是比较好的, L-M 方法更接近于 G-N 法。另一方面,当 比较大时, 占据主要地位, L-M 更接近于一阶梯度下降法(即最速下降) - L-M 的求解方式,可在一定程度上避免线性方程组的系数矩阵的非奇异和病态问题,提供更稳定更准确的增量