SVD之最小二乘【推導與證明】


0.SLAM中SVD進行最小二乘的應用

在SLAM應用中,計算Homography Matrix,Fundamental Matrix,以及做三角化(Triangulation)時,都會用到最小二乘

 

1.背景

對一堆觀測到的帶噪聲的數據進行最小二乘擬合

 

2.理論模型

 

3.優化目標

 

4.優化過程

 

5.工程實現

 

6.對齊次方程,利用SVD做最小二乘最優解的證明(感謝@劉毅 的推導)

 

7.其他非齊次方程組做最小二乘的方法

 

8.不同的最小二乘方法的討論

 

9.本篇文章的理論出處

上述推導並不復雜,但是如果你想明白最小二乘優化的來龍去脈,推薦你看《Multiple View Geometry in Computer Vision》中的附錄5:Least-squares Minimization

 

10.致謝

感謝 @劉毅 關於齊次方程組的SVD做最小二乘的的推導證明。

感謝 @黃山 關於矩陣條件數的介紹,以及一些相關的證明推導。

感謝 @泡泡機器人 的其他成員的激烈討論。

 


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM