pose graph 说的很清晰的一篇文章

https://blog.csdn.net/Hansry/article/details/78046342?locationNum=8&fps=1#

知乎上抄了一段：

pose graph的“测量”就是局部优化得出的各帧位姿，再计算得出的相邻关键帧间相对位姿，其实也就题主说的Tij。测量为什么打引号，后面来看。

局部优化的时候，假如算法没什么毛病的话，间隔短的帧间相对位姿是可以解算得比较准确的。但VO总是有累计误差，一直一帧一帧的跟踪下去，两个时间上离得很远的帧（先不考虑回环），它们之间基于之前的计算结果得出的的相对位姿就不可靠了。

pose graph利用前面那种短间隔可靠的相对位姿“测量”来构建一个涵盖长时间跨度的关键帧们的全局优化问题，平摊累积误差，以各关键帧位姿为节点，以前面的关键帧间（时间间隔要短）相对位姿计算结果作为测量进行极大似然估计。这样设计的最主要出发点其实还是避免优化海量地图点，减小计算规模。

所以前面测量加上引号，就是因为这个相对位姿并不是一个天然的测量值，它是个原始测量经过加工得到的二手测量值（由局部的里程计得到）。

 

1.使用pose graph通过图优化将累计误差分摊到每一帧得keyframe的pose上,之所以认为相对位姿是准确的,是因为相对位姿拥有较少的累计误差,且可以使用信息矩阵进行衡量(orb中优化的时候信息矩阵置1了)
2. 进行全局BA优化,这里的优化对对整个地图进行全局优化
感觉pose graph 只是在分摊累计误差,它只是用帧与帧的可视关系进行约束,约束并不够多,所以经过pose graph之后还需要用一个全局BA优化进行最终的调优,全局BA使用大量的observation关系进行约束,约束够多够强

 

位姿图（Pose Graph）

这就进入了第11讲，后端2。这章的内容依旧是实践为重点，我这里主要讲到的公式推导，因为我看的时候花了点时间，所以把它写下来。

BA和图优化，是把位姿和空间点放在一块，进行优化。特征点非常多，机器人轨迹越走越长，特征点增长的也很快。因此位姿图优化的意义在于：在优化几次以后把特征点固定住不再优化，只当做位姿估计的约束，之后主要优化位姿。

也就是说，不要红色的路标点了，只要位姿。位姿里的三角形是位姿，蓝色的线是两个位姿之间的变换。

【关于这点，有一个理解非常重要：三角形的位姿，是通过和世界坐标系的比较而得到的，其实世界坐标系在大部分情况下也就是一开机的时候的相机坐标系，把第一帧检测到的特征点的相机坐标，当成是世界坐标，以此为参照，逐步直接递推下去。而上图蓝色的线，是根据中途的两张图，单独拿它俩出来估计一个相对的位姿变换。

换言之：在前端的匹配中，基本都是世界坐标系的点有了，然后根据图像坐标系下的点，估计世界坐标系与图像坐标系下的变换关系作为位姿，（这里的世界坐标系下的坐标实际是根据第一帧一路递推下来的，可能错误会一路累积）我们假设算出来两个，分别是T1和T2。而蓝色的线，作为两个位姿之间的相对变换，也就是T1和T2之间的变换。但它并不是直接根据T1的逆乘以T2这种数学方式算出来的（不然还优化什么？肯定相等啊）而是通过T1和T2所在的图像进行匹配，比如单独算一个2D-2D之间的位姿变换或者光流法等，这样根据图像算出的位姿很有可能是和T1与T2用数学方式计算得到的位姿是有差异的（因为没有涉及到第一帧图像，就是单纯这两张图像的像素坐标）。这个理论一定要明白，不然纯粹是瞎学】