e292c4033fbe1438389f3a259077ec3a.png

## 5.5.1

A=1,B=1,C=1

增广系统可观测

## 5.5.2

其中

增广系统可观测

## 5.5.3

根据式(5.3.7)
迭代次数

## 5.5.4

8d1889b7c31198cf97fca3ca25f79ceb.png

42cffeb8e2f0dc188b8106c33598ded0.png

从上面第一章图可以看出,当前鲁棒函数在

使用平方损失函数加快收敛速度

从第二章图,代价函数的导数绝对值函数可以看出,在无外点干扰的情况下,平方代价函数收敛更快

,本鲁棒代价函数相比平方代价函数对外点的抑制作用更强,相比German-McClure代价函数在常规值的优化部分,收敛更快。当外点异常值较大时,如下图

55403f50ff09d5292f6ca61751dc09da.png

可以看到,该算法在外点偏大区域与German-McClure代价函数具有相当的抑制作用。

总结:在非外点区域更快迭代收敛,在外点偏大区域具备相当的异常抑制作用,既鲁棒又快

源码和pdf地址:

https://github.com/mingtiancai/estimation_for_robotics_answer/tree/master/cs​github.com
Logo

CSDN联合极客时间,共同打造面向开发者的精品内容学习社区,助力成长!

更多推荐