视觉SLAM（七）后端优化

一 递归方法

后端（Backend）

• 带噪声的数据估计内在状态——状态估计问题
• Estimated the inner state from noisy data

渐进式（Incremental/Recursive）

• 保持当前状态的估计，在加入新信息时，更新已有的估计（滤波）
• 线性系统+高斯噪声=卡尔曼滤波器
• 非线性系统+高斯噪声+线性近似=扩展卡尔曼
• 非线性系统+非高斯噪声+非参数化=粒子滤波器
• Sliding window filter & multiple state Kalman (MSCKF)

批量式（Batch）

• 给定一定规模的数据，计算该数据下的最优估计（优化）

数学描述

从贝叶斯滤波器来推导卡尔曼滤波器

Kalman Filter 的非线性扩展： EKF

优点

1. 推导简单清楚，适用各种传感器形式
2. 易于做多传感器融合

缺点

1. 一阶马尔可夫性过于简单
2. 可能会发散（要求数据不能有 outlier
3. 线性化误差
4. 需要存储所有状态量的均值和方差，平方增长

二 批量方法

三 Pose Graph

实际当中 BA 的计算量很大
• 通常放在单独的后台线程中计算而无法实时
• 主要计算来自于大量的特征点
Pose Graph 即是省略了特征点的 Bundle Adjustment