《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？

1. 一阶和二阶梯度法
2. Gauss-Newton(高斯牛顿法)
3. 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