《视觉SLAM 十四讲》（高翔） --- 第六讲 非线性优化 笔记
增量Δx 如何确定？ 一阶和二阶梯度法 Gauss-Newton(高斯牛顿法) Levenberg-Marquadt(L-M法) Gauss-Newton(高斯牛顿法) Gauss-Newton 的算法步骤： 公式推导： 对向量和矩阵求导公式： Levenberg-Marquadt(L-M法) 由于高斯牛顿二阶近似，只在展开点附近有较好的的效果，所以给Δx\Delta xΔx增加一个信赖区域，在区域里近似有效。 如果ρ 接近于1，则近似是好的。如果ρ太小，说明实际减小的值远少于似减小的值，则认为近似比较差，需要缩小近似范围。反之，如果ρ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。 构建一个改良版的非线性优化框架，该框架会比Gauss Newton 有更好的 效果： 来源： CSDN 作者： _YAO阿瑶 链接： https://blog.csdn.net/weixin_44694952/article/details/104188258