參考：
疑問：1、lm演算法與slam第6講中定義不太一樣，（信賴區域的確定中ρ的定義方法）
帖子中用二階近似定義ρ，而slam第六講中用一階近似來表達，兩者思想較為一致，判斷應是一階還是二階佔主導地位。
不太明白的是，為何當一階佔主導地位是，採用更小的迭代步長，二階佔主導地位時，採用更大的迭代步長。且slam第6講中
ρ大於某閾值時，認為近似可行，這個閾值如何取，近似於1的時候麼？帖子中的更好理解一些（只要ρ>0，就代表f(xnew)更小，xk+1可以更新為xnew，從而進行下一步迭代）。
最優化演算法 非線性最小二乘優化
非線性最小二乘優化也叫無約束極小平方和函式問題，形式如下 如果f x f x f x 為x xx的線性函式，此時問題變為線性最小二乘問題，對此有專門的函式進行求解。它源於無約束優化的牛頓演算法，因為非線性最小二乘優化問題中的目標函式形式比較簡單，可以得到其雅克比矩陣的具體形式，將其代入牛頓法的迭代公...
非線性優化
問題的一般表達 x 是 n 維實向量 x x x t in r n,s是 r n 的子集，f 0 x f m x 是x相關的實值函式。我們所要解決的主要是以下最小問題的變體 min f 0 x s.t.f j x 0,j 1.m,x in s,其中 可以是 geq,leq or f 0 是問題的目標...
非線性優化
目的 因為雜訊！為了減少雜訊帶來的影響。現實世界點p，在相機座標系下座標p x,y,z 落在投影平面上的座標為 u,v 一般把 u,v 寫成齊次座標 所謂齊次座標，是為了方便進行矩陣的運算，在向量上面加乙個維度，一般把增加的維度預設成1 焦距fx,fy,相機座標系和成像平面的平移cx,cy都作為內參...