前端视觉里程计能给出一个短时间内的轨迹和地图,但不可避免的误差累积,这个地图在长时间内是不准确的。要想构建一个尺度,规模更大的优化问题,以考虑长时间内的最优轨迹和地图,这时后端优化就出现了。
1.滤波器模型
a. 马尔可夫性,当前状态只和上一个时刻有关。 P(Xk| Xk-1,X0, U1:k,Z1:k-1) = P(Xk| Xk-1, Uk)。把K-1时刻的状态分布推导至k时刻,也就是说,在程序运行期间,我们只要维护一个状态量,对它不断地进行迭代和更新即可。
b. 线性高斯系统,运动方程可以由线性方程来描述。
利用马尔可夫性,假设我们知道了k-1时刻的后验状态估计及协方差,现在根据k时刻的输入和观测数据,确定Xk的后验分布。
c. 卡尔曼滤波。其第一步是通过运动方程确定Xk的先验分布。这一步称为预测,它显示了如何从上一个时刻的状态,根据输入信息(但有噪音)推断当前时刻的状态分布,这个分布叫做先验。(后验在b中说过了,可以对比一下)。在线性高斯系统中,卡尔曼滤波器构成了该系统的最大后验概率估计,而且由于高斯分布经过线性变换后仍服从高斯分布,所以整个过程中我们没有进行任何的近似。卡尔曼滤波器构成了线性系统最大无偏估计。
2.非线性系统和EKF
slam中的运动方程和观测方程通常