SVD之最小二乘【推导与证明】

0.SLAM中SVD进行最小二乘的应用

在SLAM应用中,计算Homography Matrix,Fundamental Matrix,以及做三角化(Triangulation)时,都会用到最小二乘

 

1.背景

对一堆观测到的带噪声的数据进行最小二乘拟合

 

2.理论模型

 

3.优化目标

 

4.优化过程

 

5.工程实现

 

6.对齐次方程,利用SVD做最小二乘最优解的证明(感谢@刘毅 的推导)

 

7.其他非齐次方程组做最小二乘的方法

 

8.不同的最小二乘方法的讨论

 

9.本篇文章的理论出处

上述推导并不复杂,但是如果你想明白最小二乘优化的来龙去脉,推荐你看《Multiple View Geometry in Computer Vision》中的附录5:Least-squares Minimization

 

10.致谢

感谢 @刘毅 关于齐次方程组的SVD做最小二乘的的推导证明。

感谢 @黄山 关于矩阵条件数的介绍,以及一些相关的证明推导。

感谢 @泡泡机器人 的其他成员的激烈讨论。

 

posted on 2016-07-12 13:11  Brad_Lucas  阅读(5847)  评论(2编辑  收藏  举报

导航