最引人注目的状态估计方法， 确实是某种优化的幌子。

所以，你做了一个聪明的方法 搜索结束可能 一个相当高维的空间说， 鉴于现在和最近的图像流， 以及我以前见过的所有东西， 鉴于此传感器数据， 你写下一个函数 你希望最小化，它可以是适当的复杂。

您已经将特征投影到图像中。

你有激光，它有不同的反射。

你有多普勒信号。

所以，考虑到所有这些和 我在协会中遇到的所有困难， 你会写关联问题 作为最小化问题。

鉴于这一切， 快速解决这个优化问题 你知道你在哪里 可能是或一组你可能在的地方， 然后也有与此相关的不确定性， 这也是很重要的一点。

你也需要考虑你不确定的事情， 当你要来的时候这很重要 准备一些规划决定。 有很多算法使用优化。

我的意思是，你最简单的一个 会遇到可能是最小二乘。

不一定推荐使用 原始最小二乘，因为这些东西，这是一个异常值。

最小二乘法花费所有时间 担心而不是有意义的事情。

所以，你把一些异常拒绝放在有一些东西叫做 卡尔曼滤波器又是 另一个最小均方误差估计器。

那是在线的。有您可能还想使用大批量优化器。

有种东西叫粒子 您可能想要使用的过滤器， 所有这些并寻找一些最大值或 最小值取决于你如何摆姿势。

在宁静的状态下，在快乐的世界里， 您的传感器正在愉快地向您发布数据。

但是你必须预料到会出现问题。

所以，你必须有这种自省感。

所以，你必须有一些流程想要说， 实际上，那个数据流，现在是异常的。

好的？这不正确暴露或某些东西刚刚停止工作。

但这也说明了更高层次的需求 不仅有一种传感器模式。

所以，如果你只有一台相机并且 那台相机坏了，这对你来说很难。

所以，你在和你的车说话 里程计或与一些陀螺仪交谈。

你可能有一些激光。

所以，记住雷达，以及任何失败的雷达， 然后你会有一个备份， 但是一个免费的传感器 让您立即制定计划 关于是否存在严重错误， 然后靠边减速。

在某种程度上，您的数据融合也有帮助。

所以，你可能有 17 个摄像头，它们都让你知道你在哪里。

您可能有一个向前向后看的相机。

您可能有几个激光正在索引到激光地图中。

所以，你不会 设计您是否有一个实际上发生故障的关键传感器。

您不知道该做什么，然后您就处于大数据中。 那

将是一个糟糕的计划。

参考

https://www.coursera.org/learn/state-estimation-localization-self-driving-cars/lecture/lJkFG/optimizing-state-estimation