首先是第一个问题, 为什么需要图优化?
我们可以先考虑一个最小的线性二乘问题:
这里 为n 维, 我们这里默认每个 元素都与 有关, 所以在求解这个问题时,可以将每个 同时优化, 在取得该问题的最小值时即可获得 .
如果是下面的方程呢
这里 为都为n 维, 但是有两个误差项, 并且假设 中某些元素与对应误差项(如这里 )无关的. 我们求解问题的时候就只能分别求解, 将误差项和优化变量关联,这里就涉及到了图优化.可以简单理解,
将上述问题 分成两个最小二乘问题求解,只不过是两个最小二乘问题里只优化相关变量.
由此 我们可以开始介绍图优化
一个图由若干个顶点(优化变量,即上例中的X元素)和其相对应的边(误差项,即上例中的 )组成.
当然这里简化了许多, 可能有许多个变量与同一个误差项相关.
最后我们的优化问题可被归纳为:
这里求解方式有很多种类,SLAM 中常用g2o 库.