SLAM中的位姿图稀疏化

         SLAM过程中，多次进入同一场景，场景可能会出现变化，比如停车场环境，商场店铺环境。需要更新地图，其中一种方法是添加新的节点，删除旧的节点（此处不讨论哪些节点应该被添加，哪些应该被删除，只关注删除节点的方法）。

 

        一般过程是通过边缘化删除掉旧的节点，本质是利用舒尔布求解一部分节点的边缘概率。在边缘化过程之后，因子图会变得稠密，失去稀疏性，使得之后的优化过程计算复杂度增加。有几种稀疏化的方法，可以近似稠密的因子图。

一、chow-liu树

        文献：Approximating Discrete Probability Distributions with Dependence Trees

        原分布: ,

        近似分布  : 

        用二阶分布的乘积近似原联合分布。定义两分布的KL散度最小时，为最好的近似。但是有种可能，暴力搜索比较困难。可以证明，最小KL散度对应的，就是拥有最大互信息和的依赖树。所以这里将问题转换为求解最大互信息的依赖树。数学表达为

                                                   

        具体过程就是，求解每对变量的互信息，公式

                                    

        即图中的每条边都赋了一个权值，这个权值就是互信息。将边按照权值大小排序，。先取出b0、b1，如果b2于前面的边没有形成环，则取出b2，否则跳过。依次向下遍历，取出n-1条边。这n-1条边就是稀疏后的边。

        附1：最小KL散度对应的，就是拥有最大互信息和的依赖树证明：  

                       

        附2：为什么有n(n-1)/2个二阶分布。，从n个变量中，无序的取出两个，因为中。

二、L1正则化

        文献：Consistent Sparsification for Graph Optimization

        与chow-liu树类似，该方法将求解最小KL散度的问题转换为最小化L1正则化的问题。问题描述如下：

                            

        这里用乘法器交替方向法求解（ADMM），ADMM的标准形式为

                        

        记,。安装标准的ADMM方法，迭代求解

                     

         但是这里并没有考虑稀疏前后的一致性问题。所以将一致性约束引入