视觉SLAM笔记（49） 后端状态估计

---

1. 误差累积

前端视觉里程计能给出一个短时间内的轨迹和地图
但由于不可避免的误差累积，这个地图在长时间内是不准确的
所以，在视觉里程计的基础上
还希望构建一个尺度、规模更大的优化问题，以考虑长时间内的最优轨迹和地图
不过，考虑到精度与性能的平衡，实际当中存在着许多不同的做法

---

2. 状态估计的概率解释

觉里程计只有短暂的记忆，而希望整个运动轨迹在较长时间内都能保持最优的状态
可能会用最新的知识，更新较久远之前的状态——站在“久远的状态”的角度上看，仿佛是未来的信息告诉它“你应该在哪里”
所以，在后端优化中，通常考虑一个更长时间内（或所有时间内）的状态估计问题
而且不仅使用过去的信息更新自己的状态，也会用未来的信息来更新自己
这种处理方式不妨称为“批量的”（Batch）

否则，如果当前的状态只由过去的时刻决定，甚至只由前一个时刻决定
那不妨称为“渐进的”（Incremental）

已经知道 SLAM 过程可以由运动方程和观测方程来描述
那么，假设在 t = 0 到 t =