视觉slam14讲之后端优化

     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