SLAM学习笔记（三） 后端优化与回环检测

后端优化是对相机位姿和点位置的再度优化（相较于前端优化规模更大），回环检测是对地图进行的一种修正（当机器人回到原来位置时，地图也实现一个闭环）。

后端优化

主要介绍三种方法：EKF（扩展卡尔曼滤波器）、BA图优化、位姿图。已知运动数据和观测数据，对它们进行优化。

扩展卡尔曼滤波器

假设了马尔可夫性，即当前状态仅与前一时刻有关。先对参数进行预测，然后计算卡尔曼增益，计算出后验概率（即根据结果推测出概率）的分布，利用最大后验概率作为估计形式。

由于SLAM中的模型一般为非线性，所以采用的是扩展卡尔曼滤波器（泰勒展开后只保留一阶项）。马尔科夫性和一阶泰勒展开也是它的缺点，同时，它被认为不适用于大型场合。

BA与图优化

实际像素位置与推测像素位置的误差尽可能地小（同时优化了相机位姿和路标）。实际计算的时候，计算量大，可利用H矩阵的稀疏性利用Schur消元法来求解（也可以使用Cholesky分解）。

为使误差大的边不影响其它边的优化，可定义鲁棒核函数。

位姿图

不优化路标（几次优化后固定），只优化位姿。本质上是一个最小二乘问题。

也可以从因子图的角度看待后