实习 ：后端优化GN/LM

自从当了程序员，活得越来越糙了，皮糙肉厚，抗压能力直线飙升，我还是有点想念做硬件时期的，但还是学习为主，啥东西做好了就是好东西。

高斯牛顿法比梯度下降法更容易收敛，迭代更少次数，梯度下降法可能会局部最优，牛顿法用一个二次曲面拟合当前所处位置的局部曲面，梯度下降法用一个平面拟合当前局部曲面，高斯牛顿是牛顿法在求解非线性最小二乘问题的特例

 

Dogleg 信赖域

数学好的基础在，基本不用担心推导，很简单，我之前觉得会很难，恐怕李群李代数是我这个菜鸡接触的最难的了吧。。。

还看了点hector_slam 不需要里程计但是没有初至很容易局部优化，可以加一些数据预处理。

hector_mapping        slam node

hector_geotiff      地图和机器人轨迹存在getiff图像文件

hector_trajectory_server    保存基于tf的轨迹

g2o优化流程：

(1). 选择一个线性方程求解器，从PCG，CSParse，Choldmod中选，g2o/solver

(2). 选一个blocksolver

(3). 选一个优化策略 GN LM Dogleg

Hyper Graphs(超图)，每一个边包含两个以上的点构成的图

sparse 稀疏 optimizable 优化

hector slam 就是将激光点与已有地图对齐。

贝叶斯估计

 

以后工作了想做slam这个方面，感觉到以后会很艰辛，喜欢机器人只能朝这条路走下去。