​
原文地址 Parameter Estimation Techniques: A Tutorial with application to Conic Fitting

优化中最难的部分是根据各观测设置不同的噪声,为了缓解噪声设置不准备的问题或外点问题,引入robust estimation(huber是常见的一种)。

Robust Estimation

1. Clustering or Hough Transform

2. Regression Diagnostics

3. M-estimators

优化目标   m i n Σ i ρ ( r i ) \ min \Sigma_i\rho(r_i)  minΣi​ρ(ri​),需要保证 ρ \rho ρ函数为正,且只能有一个变量使其结果为0.
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
文中提高huber的问题在于二阶导数的不连续性,引入一个连续的类似huber的函数:
在这里插入图片描述
还有一种常用的3段权重函数:
在这里插入图片描述
文中还提到了一种计算 σ \sigma σ的方法,
在这里插入图片描述

4. Least Median of squares

文中提到这种方法对外点十分有效!!
这种方法与RANSAC方法十分相似,也提出了一种加权least-squares 来模拟least median of square,因为lms的效率比较低。
在这里插入图片描述

5. 总结

在这里插入图片描述

Logo

聚焦RDK与具身智能,汇集机器人开发教程、开源案例和技术交流

更多推荐