本節介紹slam中的後端優化過程
同時對三維點位置和相機引數進行非線性優化
原理：是一種「信賴域」的方法，當收斂速度較快時，增大信賴域使演算法趨向於高斯牛頓法；當收斂速度較慢時，減小信賴域使演算法趨向於最速下降法。
優勢：速度快；可以在距離初始值較遠處得到最優解。
slam優化演算法對比
演算法缺點
優點kf/ekf
假設雜訊為高斯分布，在高維狀態空間時計算效率較低，不適合大規模場景的地圖構建
原理簡單，小場景下收斂性好。
pf會不可避免出現粒子退化現象，每個粒子需包含整張地圖資訊導致不適合大場景地圖構建
將運動方程表示為一組粒子，通過蒙特卡羅方法求解，能夠處理非線性非高斯雜訊。
em計算量大，不能用於大規模場景
有效解決了資料關聯問題
圖優化對閉環檢測演算法的要求嚴格
出現多種圖優化框架，能夠有效解決濾波器演算法的缺陷，能用於大規模場景的地圖建立
SLAM流程之優化後端
slam的優化後端完成工作主要是對視覺前端得到的不夠準確的相機位姿和重建地圖進行優化微調。在視覺前端中，不管是進行位姿估計還是建圖，都是利用相鄰幀之間的關係來完成的，這種依賴區域性約束且不停地鏈式進行的演算法，必將導致優化誤差逐幀累積，最終產生乙個較大的誤差漂移。因此，後端優化的思路就是從全域性 整...
SLAM後端概述
二 線性系統和kf 三 非線性系統和ekf 四 濾波器後端小結 前端視覺里程計只能通過鄰近的幾張估計短暫時間內的運動軌跡和路標，這種方式為 漸進的 incremental 後端考慮乙個更長時間內 或所有時間內 的狀態估計問題,而且不僅使用過去的資訊更新自己的狀態,也會用未來的資訊 即全域性資訊 來更...
視覺slam14講之後端優化
前端視覺里程計能給出乙個短時間內的軌跡和地圖，但不可避免的誤差累積，這個地圖在長時間內是不準確的。要想構建乙個尺度，規模更大的優化問題，以考慮長時間內的最優軌跡和地圖，這時後端優化就出現了。slam中的運動方程和觀測方程通常是非線性函式，尤其是視覺slam中的相機模型，需要使用相機內參模型及李代數表...