视觉SLAM十四讲（第二版）第九讲笔记

一、 后端优化概述
1. 后端模块的作用
前端估计得到：

　　k 时刻相机的位姿，xk 

　　地图中路标j jj的世界坐标，yj

​　　前端估计只基于k 的前一时刻或前几时刻。后端优化所做的，则是根据到目前为止观测到的所有信息，优化之前的估计结果。

　　后端优化中，把位姿x 和路标y 都看做服从某种概率分布的随机变量。已知相机运动数据u ，观测数据z，问题转化为确定其概率分布，进行最大似然估计。

后端优化主要有两种方法：

假设马尔科夫性，k 时刻状态只与k−1时刻有关。即本讲的EKF法。
假设k 时刻状态与之前所有状态有关，为基于非线性优化的方法。将在下一讲详细阐释。
2. 问题描述
变量：
xk：k 时刻下所有未知量，包含相机和此时刻m个可见路标。
已知：

 估计：

 根据所有已知，估计现在的位姿和路标的状态分布。

 二、卡尔曼滤波器

　　1.线性系统和卡尔曼滤波器（KF）具体推导略

　　

　　　　卡尔曼滤波器依据线性系统，没有近似，是线性最优无偏估计。

 　　2.非线性系统和扩展卡尔曼滤波器

　　实际SLAM系统存在问题：

• 运动方程和观测方程非线性
• 高斯分布经非线性变换后，不再是高斯分布

　　因此需要进行近似，将非高斯分布近似成高斯分布。 在非线性系统中的KF即为EKF。其做法是：在某个点附近考虑运动方程和观测方程的 一阶泰勒展开，即其线性部分，然后按照KF进行

 

3）.局限

1. 马尔可夫性的局限
2. 一阶近似的局限
3. 需要存储均值和方差，因为路标量很大，因此协方差矩阵很大

三 BA与图优化

　　BA(Bundle Adjustment)：通过重投影不断优化估计的参数。由于其稀疏属性，能够实现在线运行。

　　推导略

实践：

 初始值

优化后：

十月后改为原创
版权声明：本文为CSDN博主「KylinQAQ」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/pikachu_777/article/details/85041582