现实生活中的图像总存在畸变。原则上来说,针孔透视相机应该将三维世界中的直线投影成直线,但是当我们使用广角和鱼眼镜头时,由于畸变的原因,直线在图像里看起来是扭曲的。本次作业,你将尝试如何对一张图像去畸变,得到畸变前的图像。
图1 是本次习题的测试图像(code/test.png
),来自EuRoC 数据集[1]。可以明显看到实际的柱子、箱子的直线边缘在图像中被扭曲成了曲线。这就是由相机畸变造成的。根据我们在课上的介绍,畸变前后的坐标变换为:
x
d
i
s
t
o
r
t
e
d
=
x
(
1
+
k
1
r
2
+
k
2
r
4
)
+
2
p
1
x
y
+
p
2
(
r
2
+
2
x
2
)
y
d
i
s
t
o
r
t
e
d
=
y
(
1
+
k
1
r
2
+
k
2
r
4
)
+
p
1
(
r
2
+
2
y
2
)
+
2
p
2
x
y
x_{distorted} = x(1 + k_1r^2 + k_2r^4)+ 2p_1xy + p_2(r^2 + 2x^2)\\ y_{distorted} = y(1 + k_1r^2 + k_2r^4)+ p_1(r^2 + 2y^2)+ 2p_2xy
xdistorted=x(1+k1r2+k2r4)+2p1xy+p2(r2+2x2)ydistorted=y(1+k1r2+k2r4)+p1(r2+2y2)+2p2xy
其中x; y 为去畸变后的坐标,
x
d
i
s
t
o
r
t
e
d
x_{distorted}
xdistorted,$ y_{distroted}$ 为去畸变前的坐标。
现给定参数:
k
1
=
0.28340811
;
k
2
=
0.07395907
;
p
1
=
0.00019359
;
p
2
=
1.76187114
e
−
5
:
k_1= 0.28340811; k2 = 0.07395907; p_1 = 0.00019359; p_2 = 1.76187114e^{-5}:
k1=0.28340811;k2=0.07395907;p1=0.00019359;p2=1.76187114e−5:
以及相机内参
f
x
=
458.654
;
f
y
=
457.296
;
c
x
=
367.215
;
c
y
=
248.375
:
f_x = 458.654; f_y = 457.296; c_x = 367.215; c_y = 248.375:
fx=458.654;fy=457.296;cx=367.215;cy=248.375:
请根据undistort_image.cpp
文件中内容,完成对该图像的去畸变操作。
答: 去畸变过程主要包括以下步骤:
将图像的像素坐标系通过内参矩阵转换到相机归一化坐标系
x
=
(
u
−
c
x
)
/
f
x
y
=
(
v
−
c
y
)
/
f
y
x = (u-c_x)/f_x\\ y = (v-c_y)/f_y
x=(u−cx)/fxy=(v−cy)/fy
在相机坐标系下进行去畸变操作
r
=
x
2
+
y
2
x
′
=
x
∗
(
1
+
k
1
∗
r
2
+
k
2
∗
r
4
)
+
2
∗
p
1
∗
x
∗
y
+
p
2
∗
(
r
2
+
2
∗
x
2
)
y
′
=
y
∗
(
1
+
k
1
∗
r
2
+
k
2
∗
r
4
)
+
2
∗
p
2
∗
x
∗
y
+
p
1
∗
(
r
2
+
2
∗
y
2
)
r = \sqrt{x^2+y^2}\\ x' = x*(1+k_1*r^2+k_2*r^4)+2*p_1*x*y+p_2*(r^2+2*x^2)\\ y' = y*(1+k_1*r^2+k_2*r^4)+2*p_2*x*y+p_1*(r^2+2*y^2)\\
r=x2+y2
x′=x∗(1+k1∗r2+k2∗r4)+2∗p1∗x∗y+p2∗(r2+2∗x2)y′=y∗(1+k1∗r2+k2∗r4)+2∗p2∗x∗y+p1∗(r2+2∗y2)
去畸变操作结束后,将相机坐标系重新转换到图像像素坐标系
u
′
=
x
′
∗
f
x
+
c
x
v
′
=
y
′
∗
f
y
+
c
y
u'=x'*f_x+c_x\\ v'=y'*f_y+c_y
u′=x′∗fx+cxv′=y′∗fy+cy
用源图像的像素值对新图像的像素点进行插值
// u(x) 列 v(y) 行
double u_distorted = 0, v_distorted = 0;
// TODO 按照公式,计算点(u,v)对应到畸变图像中的坐标
// start your code here
// 把像素坐标系的点投影到归一化平面
double x = (u-cx)/fx, y = (v-cy)/fy;
// 计算图像点坐标到光心的距离;
double r = sqrt(x*x+y*y);
// 计算投影点畸变后的点
double x_distorted = x*(1+k1*r+k2*r*r)+2*p1*x*y+p2*(r+2*x*x);
double y_distorted = y*(1+k1*r+k2*r*r)+2*p2*x*y+p1*(r+2*y*y);
// 把畸变后的点投影回去
u_distorted = x_distorted*fx+cx;
v_distorted = y_distorted*fy+cy;
// end your code here
双目相机的一大好处是可以通过左右目的视差来恢复深度。课程中我们介绍了由视差计算深度的过程。本题,你需要根据视差计算深度,进而生成点云数据。本题的数据来自Kitti
数据集[2]。
Kitti
中的相机部分使用了一个双目模型。双目采集到左图和右图,然后我们可以通过左右视图恢复出深度。经典双目恢复深度的算法有BM(Block Matching)
, SGBM(Semi-Global Block Matching)
[3, 4] 等,
但本题不探讨立体视觉内容(那是一个大问题)。我们假设双目计算的视差已经给定,请你根据双目模型,画出图像对应的点云,并显示到Pangolin
中。
本题给定的左右图见code/left.png
和code/right.png
,视差图亦给定,见code/right.png。双目的参数如下:
f
x
=
718.856
;
f
y
=
718.856
;
c
x
=
607.1928
;
c
y
=
185.2157
:
f_x = 718.856; f_y = 718.856; c_x = 607.1928; c_y = 185.2157:
fx=718.856;fy=718.856;cx=607.1928;cy=185.2157:
且双目左右间距(即基线)为:
d
=
0.573
m
:
d = 0.573 m:
d=0.573m:
请根据以上参数,计算相机数据对应的点云,并显示到Pangolin 中。程序请参考code/disparity.cpp
文件。
答:课本中的双目相机模型如下:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qQqTRudg-1592674995380)(曾是少年-第四章作业.assets/image-20200605134649792.png)]
深度计算公式为:
d
e
p
t
h
=
f
∗
b
d
depth = \frac{f*b}{d}
depth=df∗b
在程序中,视差disp由深度图提供(uchar类型)。,f焦距由
f
x
f_x
fx给出,b是基线距离(程序中由d表示,可能会有一点混淆)。
课本中提到。虽然由视差计算深度的公式很简洁,但视差d 本身的计算却比较困难。本程序中已经提供了视差图因此很容易计算得到深度。
注意事项:
点云计算代码
// TODO 根据双目模型计算点云
// 如果你的机器慢,请把后面的v++和u++改成v+=2, u+=2
for (int v = 0; v < left.rows; v++)
for (int u = 0; u < left.cols; u++) {
Vector4d point(0, 0, 0, left.at<uchar>(v, u) / 255.0); // 前三维为xyz,第四维为颜色
// start your code here (~6 lines)
// 根据双目模型计算 point 的位置
double x = (u-cx)/fx;
double y = (v-cy)/fy;
float disp = disparity.at<uchar>(v,u); //视差
double depth = fx*d/(disp);// d是基线
point[0] = x*depth;
point[1] = y*depth;
point[2] = 1*depth;
pointcloud.push_back(point);
// end your code here
}
生成的点云截图如下所示:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JX6J9Rrr-1592674995382)(image/点云结果.png)]
在优化中经常会遇到矩阵微分的问题。例如,当自变量为向量x,求标量函数u(x) 对x 的导数时,即为矩阵微分。通常线性代数教材不会深入探讨此事,这往往是矩阵论的内容。我在ppt/
目录下为你准备了一份清华研究生课的矩阵论课件(仅矩阵微分部分)。阅读此ppt,回答下列问题:
设变量为
x
∈
R
N
x \in R^N
x∈RN,(x是列向量) 那么:
答: x x x是 n × 1 n\times1 n×1列向量
令矩阵 A = [ a 1 , a 2 , . . . , a n ] A = [a_1,a_2,...,a_n] A=[a1,a2,...,an] , A = [ a 1 ′ ; a 2 ′ ; . . . ; a n ′ ] A = [a_1';a_2';...;a_n'] A=[a1′;a2′;...;an′]。
∂
A
x
∂
x
=
[
∂
A
x
1
∂
x
1
∂
A
x
2
∂
x
1
.
.
.
∂
A
x
n
∂
x
1
∂
A
x
1
∂
x
2
∂
A
x
2
∂
x
2
.
.
.
∂
A
x
n
∂
x
2
.
.
.
.
.
.
.
.
.
.
.
.
∂
A
x
1
∂
x
n
∂
A
x
2
∂
x
n
.
.
.
∂
A
x
n
∂
x
n
]
\begin{aligned} \frac{\partial{{Ax}}}{\partial x} &= \left[ \begin{array}{ccc} \frac{\partial{{Ax}_1}}{\partial x_1}& \frac{\partial{Ax}_2}{\partial x_1}& ...& \frac{\partial{Ax}_n}{\partial x_1}\\ \frac{\partial{{Ax}_1}}{\partial x_2}& \frac{\partial{Ax}_2}{\partial x_2}& ...& \frac{\partial{Ax}_n}{\partial x_2}\\ ... & ... &...&...\\ \frac{\partial{{Ax}_1}}{\partial x_n}& \frac{\partial{Ax}_2}{\partial x_n}& ...& \frac{\partial{Ax}_n}{\partial x_n}\\ \end{array} \right] \end{aligned}
∂x∂Ax=⎣⎢⎢⎡∂x1∂Ax1∂x2∂Ax1...∂xn∂Ax1∂x1∂Ax2∂x2∂Ax2...∂xn∂Ax2............∂x1∂Axn∂x2∂Axn...∂xn∂Axn⎦⎥⎥⎤
先对x的第i个分量求导:
∂
A
x
i
∂
x
k
=
∂
a
i
x
∂
x
k
=
a
i
k
\begin{aligned} \frac{\partial{Ax}_i}{\partial x_k} &= \frac{\partial{a_ix}}{\partial x_k} =a_{ik} \end{aligned}
∂xk∂Axi=∂xk∂aix=aik
导入前式有:
∂
A
x
∂
x
=
[
a
11
a
21
.
.
.
a
n
1
a
12
a
22
.
.
.
a
n
2
.
.
.
.
.
.
.
.
.
.
.
.
a
1
n
a
2
n
.
.
.
a
n
n
]
=
A
T
\begin{aligned} \frac{\partial{{Ax}}}{\partial x} &= \left[ \begin{array}{ccc} a_{11} & a_{21} & ...& a_{n1}\\ a_{12} & a_{22} & ... & a_{n2}\\ ... & ... &...&...\\ a_{1n} & a_{2n} & ...& a_{nn}\\ \end{array} \right] \end{aligned} = A^T
∂x∂Ax=⎣⎢⎢⎡a11a12...a1na21a22...a2n............an1an2...ann⎦⎥⎥⎤=AT
答:
∂
x
T
A
x
∂
x
=
[
∂
x
T
A
x
∂
x
1
∂
x
T
A
x
∂
x
2
.
.
.
∂
x
T
A
x
∂
x
n
]
\begin{aligned} \frac{\partial{x^TAx}}{\partial x} &= \left[ \begin{array}{ccc} \frac{\partial{x^TAx}}{\partial x_1}& \frac{\partial{x^TAx}}{\partial x_2}& ...& \frac{\partial{x^TAx}}{\partial x_n} \end{array} \right] \end{aligned}
∂x∂xTAx=[∂x1∂xTAx∂x2∂xTAx...∂xn∂xTAx]
先对x的第k个分量求导,结果如下:
∂
x
T
A
x
∂
x
k
=
∂
∑
i
=
1
n
∑
j
=
1
n
x
i
A
i
j
x
j
∂
x
k
=
∑
i
=
1
n
A
i
k
x
i
+
∑
j
=
1
n
A
k
j
x
j
=
a
k
T
x
+
a
k
′
x
\begin{aligned} \frac{\partial{x^TAx}}{\partial x_k} &= \frac{\partial{\sum^n_{i=1}\sum_{j=1}^nx_{i}A_{ij}x_j}}{\partial x_k}\\ &=\sum^n_{i=1} A_{ik}x_i+\sum^n_{j=1}A_{kj}x_j\\ &=a^T_kx+a'_kx \end{aligned}
∂xk∂xTAx=∂xk∂∑i=1n∑j=1nxiAijxj=i=1∑nAikxi+j=1∑nAkjxj=akTx+ak′x
可以看出第一部分是矩阵A的第k列转置后和x相乘得到,第二部分是矩阵A的第k行和x相乘得到,排列好就是:
∂
x
T
A
x
∂
x
=
A
T
x
+
A
x
\frac{\partial{x ^ T Ax}}{\partial x} = A^Tx+Ax
∂x∂xTAx=ATx+Ax
证明:
设a,b都是n维列向量,显然有
a
b
T
=
[
a
1
b
1
a
1
b
2
.
.
.
a
1
b
n
a
2
b
1
a
2
b
2
.
.
.
a
2
b
n
.
.
.
.
.
.
.
.
.
.
.
.
a
n
b
1
a
n
b
2
.
.
.
a
n
b
n
]
ab^T= \left[ \begin{array}{ccc} a_1b_1&a_1b_2&...&a_1b_n\\ a_2b_1&a_2b_2&...&a_2b_n\\ ...&...&...&...\\ a_nb_1&a_nb_2&...&a_nb_n \end{array} \right]
abT=⎣⎢⎢⎡a1b1a2b1...anb1a1b2a2b2...anb2............a1bna2bn...anbn⎦⎥⎥⎤
b T a = ∑ i = 1 n a i b i b^Ta=\sum^{n}_{i=1}a_ib_i bTa=i=1∑naibi
显然,可以得到:
t
r
(
a
b
T
)
=
b
T
a
tr(ab^T)=b^Ta
tr(abT)=bTa
令
a
=
A
x
a=Ax
a=Ax ,
b
=
x
b=x
b=x 可得
t
r
(
A
x
x
T
)
=
t
r
(
(
A
x
)
x
T
)
=
x
T
A
x
tr(Axx^T)=tr((Ax)x^T)=x^TAx
tr(AxxT)=tr((Ax)xT)=xTAx
证毕
附加参考:
我们在课上演示了用Ceres
和g2o
进行曲线拟合的实验,可以看到优化框架给我们带来了诸多便利。
本题中你需要自己实现一遍高斯牛顿的迭代过程,求解曲线的参数。我们将原题复述如下。设有曲线满足以下方程:
y
=
exp
(
a
x
2
+
b
x
+
c
)
+
w
.
y = \exp(ax^2 + bx + c) + w.
y=exp(ax2+bx+c)+w.
其中
a
,
b
,
c
a, b, c
a,b,c 为曲线参数,w
为噪声。现有N个数据点
(
x
,
y
)
(x,y)
(x,y),希望通过此N个点来拟合
a
,
b
,
c
a, b, c
a,b,c。实验中取
N
=
100
N = 100
N=100。
那么,定义误差为
e
i
=
y
i
−
exp
(
a
x
i
2
+
b
x
i
+
c
)
e_i = y_i - \exp(ax^2_i+bx_i + c)
ei=yi−exp(axi2+bxi+c),于是
(
a
,
b
,
c
)
(a, b,c)
(a,b,c) 的最优解可通过解以下最小二乘获得:
min
a
,
b
,
c
1
2
∑
i
=
1
N
∣
∣
y
i
exp
(
a
x
i
2
+
b
x
i
+
c
)
∣
∣
2
\min_{a,b,c}\frac{1}{2}\sum^{N}_{i=1}||y_i\exp(ax_i^2+bx_i+c)||^2
a,b,cmin21i=1∑N∣∣yiexp(axi2+bxi+c)∣∣2
现在请你书写Gauss-Newton
的程序以解决此问题。程序框架见code/gaussnewton.cpp
,请填写程序内容以完成作业。作为验证,按照此程序的设定,估计得到的a; b; c 应为:
a
=
0.890912
;
b
=
2.1719
;
c
=
0.943629
,
a = 0.890912; b = 2.1719; c = 0.943629,
a=0.890912;b=2.1719;c=0.943629,
这和书中的结果是吻合的。
答:先回顾高斯牛顿法求解最小二乘问题的步骤:
Δ
x
∗
=
arg
min
Δ
x
1
2
∣
∣
f
(
x
)
+
J
(
x
)
T
Δ
x
∣
∣
2
\Delta x^{*} = \arg \min_{\Delta x}\frac{1}{2}||f(x)+J(x)^T\Delta x||^2
Δx∗=argΔxmin21∣∣f(x)+J(x)TΔx∣∣2
可以按照以上步骤来修改代码
1. 设置初始值
double ae = 2.0, be = -1.0, ce = 5.0;
2. 计算雅可比矩阵 J ( x k ) J(x_k) J(xk) 和误差 f ( x k ) f(x_k) f(xk)。
计算误差 e r r o r = f ( x i ) − f e ( x i ) error = f(x_i)-f_e(x_i) error=f(xi)−fe(xi)
error = yi - exp(ae * xi * xi + be * xi + ce);
计算雅可比矩阵$J = \frac{\partial error} {\partial x} $
Vector3d J; // 雅可比矩阵
J[0] = - exp(ae * xi * xi + be * xi + ce)* xi * xi; // de/da
J[1] = - exp(ae * xi * xi + be * xi + ce)* xi; // de/db
J[2] = - exp(ae * xi * xi + be * xi + ce); // de/dc
3. 求解增量方程
计算增量矩阵H
H += J * J.transpose(); // GN近似的H
计算g
b += -error * J;
用EIgen中的ldlt求解 H Δ x = b H\Delta x =b HΔx=b。
Vector3d dx;
dx = H.ldlt().solve(b);
4. 若 Δ x k Δx_k Δxk 足够小,则停止。否则,令 x k + 1 = x k + Δ x k x_{k+1} = x_k + Δx_k xk+1=xk+Δxk,返回第2 步。
if (iter > 0 && cost > lastCost) {
// 误差增长了,说明近似的不够好
cout << "cost: " << cost << ", last cost: " << lastCost << endl;
break;
}
至此,代码修改完毕。
运行结果:
/home/guoben/Project/SLAM-homework/ch4/GaussNewton/bin/GN
total cost: 3.19575e+06
total cost: 376785
total cost: 35673.6
total cost: 2195.01
total cost: 174.853
total cost: 102.78
total cost: 101.937
total cost: 101.937
total cost: 101.937
total cost: 101.937
total cost: 101.937
total cost: 101.937
total cost: 101.937
cost: 101.937, last cost: 101.937
estimated abc = 0.890912, 2.1719, 0.943629
Process finished with exit code 0
运行截图
考虑离散时间系统:
x
k
=
x
k
−
1
+
v
k
+
w
k
;
w
∼
N
(
0
;
Q
)
y
k
=
x
k
+
n
k
;
n
k
∼
N
(
0
;
R
)
x_k = x_{k-1} + v_k + w_k; w\sim N (0;Q)\\ y_k = x_k + n_k; n_k \sim N (0;R)
xk=xk−1+vk+wk;w∼N(0;Q)yk=xk+nk;nk∼N(0;R)
这可以表达一辆沿x 轴前进或后退的汽车。第一个公式为运动方程,
v
k
v_k
vk 为输入,
w
k
w_k
wk 为噪声;第二个公式为观测方程,
y
k
y_k
yk 为路标点。取时间
k
=
1
,
.
.
.
,
3
k = 1,...,3
k=1,...,3,现希望根据已有的
v
,
y
v,y
v,y 进行状态估计。设初始状态
x
0
x_0
x0 已知。
请根据本题题设,推导批量(batch)最大似然估计。首先,令批量状态变量为
x = [ x 0 , x 1 , x 2 , x 3 ] T x = [x_0, x_1, x_2, x_3]^T x=[x0,x1,x2,x3]T,令批量观测为 z = [ v 1 , v 2 , v 3 , y 1 , y 2 , y 3 ] T z = [v_1, v_2, v_3, y_1, y_2, y_3]^T z=[v1,v2,v3,y1,y2,y3]T,那么:
答:该线性系统很简单,很容易的写成以下形式
v
k
=
x
k
−
x
k
−
1
+
w
k
y
k
=
x
k
+
n
k
v_k = x_k-x_{k-1} + w_k\\ y_k= x_k + n_k\\
vk=xk−xk−1+wkyk=xk+nk
而
z
−
H
x
=
e
∼
N
(
0
,
Σ
)
z-Hx=e\sim N(0,\Sigma)
z−Hx=e∼N(0,Σ), 向量化上式可以得到:
H
=
[
−
1
1
0
0
0
−
1
1
0
0
0
−
1
1
0
1
0
0
0
0
1
0
0
0
0
1
]
H= \left[ \begin{array}{ccc} -1& 1& 0& 0\\ 0 &-1& 1& 0\\ 0 & 0&-1& 1\\ 0&1&0&0\\ 0&0&1&0\\ 0&0&0&1\\ \end{array} \right]
H=⎣⎢⎢⎢⎢⎢⎢⎡−1000001−1010001−1010001001⎦⎥⎥⎥⎥⎥⎥⎤
x ∗ = arg min 1 2 ( z − H x ) T W − 1 ( z − H x ) x^{*} = \arg \min \frac{1}{2}(z - Hx)^TW^{-1}(z-Hx) x∗=argmin21(z−Hx)TW−1(z−Hx)
其中W 为此问题的信息矩阵,可以从最大似然的概率定义给出。
答:
W
=
d
i
a
g
(
Q
,
R
)
W=diag(Q,R)
W=diag(Q,R)
x
∗
=
arg
max
P
(
x
∣
z
)
=
arg
max
P
(
z
∣
x
)
=
∏
k
=
1
3
P
(
v
k
∣
x
k
−
1
,
x
k
)
∏
k
=
1
3
P
(
y
k
∣
x
k
)
\begin{aligned} x^{*} &= \arg \max P(x|z) = \arg \max P(z|x)\\ &=\prod^{3}_{k=1}P(v_k|x_{k-1},x_k)\prod^{3}_{k=1}P(y_k|x_k) \end{aligned}
x∗=argmaxP(x∣z)=argmaxP(z∣x)=k=1∏3P(vk∣xk−1,xk)k=1∏3P(yk∣xk)
其中
P
(
v
k
∣
x
k
−
1
,
x
k
)
=
N
(
x
k
−
x
k
−
1
,
Q
)
P(v_k|x_{k-1},x_k)=N(x_k-x_{k-1},Q)
P(vk∣xk−1,xk)=N(xk−xk−1,Q),
P ( y k ∣ x k ) = N ( x k , R ) P(y_k|x_k) = N(x_k,R) P(yk∣xk)=N(xk,R)。
误差变量如下:
e
v
,
k
=
x
k
−
x
k
−
1
−
v
k
,
e
z
,
k
=
y
k
−
x
k
e_{v,k}=x_k-x_{k-1}-v_k, e_{z,k}=y_k-x_k
ev,k=xk−xk−1−vk,ez,k=yk−xk
对概率取对数,可以把最小二乘的目标函数化为如下形式:
min
∑
k
=
1
3
e
v
,
k
T
Q
−
1
e
v
,
k
+
∑
k
=
1
3
e
y
,
k
T
R
−
1
e
y
,
k
\min\sum^3_{k=1} e^{T}_{v,k}Q^{-1}e_{v,k}+\sum^3_{k=1}e^T_{y,k}R^{-1}e_{y,k}
mink=1∑3ev,kTQ−1ev,k+k=1∑3ey,kTR−1ey,k
因此
W
=
d
i
a
g
(
Q
,
Q
,
Q
,
R
,
R
,
R
)
W=diag(Q,Q,Q,R,R,R)
W=diag(Q,Q,Q,R,R,R); 即
W
=
[
Q
0
0
0
0
0
0
Q
0
0
0
0
0
0
Q
0
0
0
0
0
0
R
0
0
0
0
0
0
R
0
0
0
0
0
0
R
]
W = \left[ \begin{array}{ccc} Q & 0 & 0 & 0 & 0 & 0\\ 0 & Q & 0 & 0 & 0 & 0\\ 0 & 0 & Q & 0 & 0 & 0\\ 0 & 0 & 0 & R & 0 & 0\\ 0 & 0 & 0 & 0 & R & 0\\ 0 & 0 & 0 & 0 & 0 & R\\ \end{array} \right]
W=⎣⎢⎢⎢⎢⎢⎢⎡Q000000Q000000Q000000R000000R000000R⎦⎥⎥⎥⎥⎥⎥⎤
此时,最小二乘问题可以写为:
x
∗
=
arg
min
e
T
W
−
1
e
x^{*} =\arg \min e^T W^{-1} e
x∗=argmineTW−1e
答: 当噪声相互无关的时候,该问题存在唯一解。
因为
H
x
=
z
Hx=z
Hx=z 这个式子中H是6*4矩阵,方程个数大于未知量个数的方程组,是一个超定矩阵。而系数矩阵超定时,最小二乘问题可以得到唯一解。
唯一最小二乘解如下:
x
=
(
H
T
H
)
−
1
H
T
z
x=(H^TH)^{-1}H^Tz
x=(HTH)−1HTz
助教点评:假设所有噪声相互无关,那么H的秩是等于4的,所以问题存在唯一解,那根据本题定义,我们可以将目标函数写成图中14式所示,因为JX刚好是一个抛物面,我们能解析的找到它的最小值,这只需要让目标函数相对于自变量的偏导数为零即可得到啊,如图中所示,我们可以得到最后的一个X最优解。