SLAM公式中双竖线 ||·|| 表示什么意思？一文搞懂范数的含义

📝 简短回答

||·|| 表示范数（norm）**，你可以把它理解为"距离"或"大小"的度量。

🎯 为什么优化问题中要用范数？

在优化问题中，我们经常看到这样的表达式：
min ⁡ x ∑ k ∥ e k ( x ) ∥ 2 \min_{\mathbf{x}} \sum_{k} \| \mathbf{e}_k(\mathbf{x}) \|^2xmin​k∑​∥ek​(x)∥2

让我用一个生活化的例子来解释：

🚗 生活中的类比：导航误差

假设你在用导航软件找路：

• 场景：导航说"前方100米右转"
• 实际情况：你实际走了，发现转弯点距离你98米
• 误差：e k = 2 e_k = 2ek​=2米

这个"2米"就是一个标量（单个数字），它的"大小"就是2本身。但很多情况下，误差不是单个数字，而是一个向量。

📐 为什么需要范数？

情况1：误差是单个数字（标量）

比如上面的导航例子，误差就是e = 2 e = 2e=2米，直接平方e 2 = 4 e^2 = 4e2=4就可以。这时∥ e ∥ \|e\|∥e∥就等于∣ e ∣ |e|∣e∣（绝对值）。

情况2：误差是多个数字（向量）

在SLAM中，一个误差通常包含多个方面：
e = ( Δ x Δ y Δ θ ) = ( 0.1 米 − 0.05 米 0.02 弧度 ) \mathbf{e} = \begin{pmatrix} \Delta x \\ \Delta y \\ \Delta \theta \end{pmatrix} = \begin{pmatrix} 0.1 \text{米} \\ -0.05 \text{米} \\ 0.02 \text{弧度} \end{pmatrix}e=​ΔxΔyΔθ​​=​0.1米−0.05米0.02弧度​​
这个误差向量包含了三个不同维度的信息。问题来了：这个误差整体上"有多大"？

🎯 范数的作用

范数就是把一个向量（多个数）映射成一个标量（一个数），告诉我们这个向量整体的"大小"。

最常见的范数：L2范数（欧几里得范数）
∥ e ∥ = Δ x 2 + Δ y 2 + Δ θ 2 \| \mathbf{e} \| = \sqrt{\Delta x^2 + \Delta y^2 + \Delta \theta^2}∥e∥=Δx2+Δy2+Δθ2​

还是上面的例子：
∥ e ∥ = 0.1 2 + ( − 0.05 ) 2 + 0.02 2 = 0.01 + 0.0025 + 0.0004 = 0.0129 ≈ 0.114 \| \mathbf{e} \| = \sqrt{0.1^2 + (-0.05)^2 + 0.02^2} = \sqrt{0.01 + 0.0025 + 0.0004} = \sqrt{0.0129} \approx 0.114∥e∥=0.12+(−0.05)2+0.022​=0.01+0.0025+0.0004​=0.0129​≈0.114
这个 0.114 就是误差的"总大小"。

为什么还要平方？∥ e ∥ 2 \| \mathbf{e} \|^2∥e∥2

因为我们通常最小化平方和：
∥ e ∥ 2 = Δ x 2 + Δ y 2 + Δ θ 2 = 0.0129 \| \mathbf{e} \|^2 = \Delta x^2 + \Delta y^2 + \Delta \theta^2 = 0.0129∥e∥2=Δx2+Δy2+Δθ2=0.0129

好处：

1. 去掉根号：计算更简单
2. 数学性质好：可导、凸性等
3. 物理意义：相当于能量或代价

🌍 更多生活中的例子

例子1：投掷标靶

你在玩飞镖：

• 目标是靶心( 0 , 0 ) (0,0)(0,0)
• 你投中的点是( x , y ) (x,y)(x,y)

误差向量：e = ( x , y ) \mathbf{e} = (x, y)e=(x,y)

误差大小：

• 普通理解：离靶心多远？x 2 + y 2 \sqrt{x^2 + y^2}x2+y2​—— 这就是∥ e ∥ \|\mathbf{e}\|∥e∥
• 优化目标：让∥ e ∥ 2 = x 2 + y 2 \|\mathbf{e}\|^2 = x^2 + y^2∥e∥2=x2+y2最小

例子2：三维空间定位

无人机定位误差：

• X方向偏了 2 米
• Y方向偏了 3 米
• Z方向偏了 1 米

误差向量：e = ( 2 , 3 , 1 ) \mathbf{e} = (2, 3, 1)e=(2,3,1)

总偏差：

• ∥ e ∥ = 2 2 + 3 2 + 1 2 = 14 ≈ 3.74 \|\mathbf{e}\| = \sqrt{2^2 + 3^2 + 1^2} = \sqrt{14} \approx 3.74∥e∥=22+32+12​=14​≈3.74米
• ∥ e ∥ 2 = 14 \|\mathbf{e}\|^2 = 14∥e∥2=14（平方米）

📊 不同类型的范数

除了L2范数，还有其他的"大小"度量方式：

L1范数（曼哈顿距离）
∥ e ∥ 1 = ∣ Δ x ∣ + ∣ Δ y ∣ + ∣ Δ θ ∣ \|\mathbf{e}\|_1 = |\Delta x| + |\Delta y| + |\Delta \theta|∥e∥1​=∣Δx∣+∣Δy∣+∣Δθ∣
比喻：在只能横平竖直走的城市里，从A到B需要走多远。

L∞范数（切比雪夫距离）
∥ e ∥ ∞ = max ⁡ ( ∣ Δ x ∣ , ∣ Δ y ∣ , ∣ Δ θ ∣ ) \|\mathbf{e}\|_\infty = \max(|\Delta x|, |\Delta y|, |\Delta \theta|)∥e∥∞​=max(∣Δx∣,∣Δy∣,∣Δθ∣)
比喻：最大的那个误差有多大。

但在SLAM和优化中，最常用的是L2范数，因为它：

• 物理意义明确（欧氏距离）
• 数学性质好（处处可导）
• 对应最小二乘法的理论基础

🔬 深入理解：带权重的范数

在SLAM中，你还会看到这种形式：
∥ e ∥ Λ 2 = e T Λ e \| \mathbf{e} \|^2_{\boldsymbol{\Lambda}} = \mathbf{e}^T \boldsymbol{\Lambda} \mathbf{e}∥e∥Λ2​=eTΛe
这叫做马氏距离（Mahalanobis distance）。

为什么需要权重？

不同方向的测量精度不同：

• GPS：水平方向准，垂直方向不准
• 激光雷达：近距离准，远距离不准

权重矩阵Λ \boldsymbol{\Lambda}Λ的作用：

• 如果某个方向测量很准，就给大权重
• 如果不准，给小权重
• 通常是协方差矩阵的逆：Λ = Σ − 1 \boldsymbol{\Lambda} = \boldsymbol{\Sigma}^{-1}Λ=Σ−1

直观理解

假设：

• X方向误差：0.1米，测量很准（权重100）
• Y方向误差：0.1米，测量不准（权重1）

加权后的误差大小：
∥ e ∥ Λ 2 = 100 × 0.1 2 + 1 × 0.1 2 = 1 + 0.01 = 1.01 \| \mathbf{e} \|^2_{\boldsymbol{\Lambda}} = 100 \times 0.1^2 + 1 \times 0.1^2 = 1 + 0.01 = 1.01∥e∥Λ2​=100×0.12+1×0.12=1+0.01=1.01
看！同样都是0.1米的误差，但X方向的误差"代价"更大，因为它更应该被精确测量。

📝 总结

记住：在优化问题中，我们无法直接比较向量，所以需要用范数把它们变成可以比较和累加的数字。这就像：

• 你不能直接比较一个篮子里苹果和橘子的"总差异"
• 但你可以用"总重量"或"总体积"来比较

双竖线 ||·|| 就是做这个转换的"量尺"！

行知SLAM
机器人定位与建图技术专家
博客主页 | 技术专栏

「技术之道，在于明理；工程之道，在于实践」