描述slam图优化的g2o、LUM、ELCH、Toro、SPA原理

SLAM（Simultaneous Localization and Mapping）是指通过机器人或移动设备在运动中获取环境信息，同时实现自身位置的估计。SLAM通常使用图优化算法来解决由于噪声、误差累积等问题带来的位姿误差和地图不精确的问题。常见的SLAM图优化算法包括g2o、LUM、ELCH、Toro和SPA等。
g2o是一种基于图优化的高效通用非线性优化框架，用于求解大规模稠密非线性最小二乘问题。在SLAM中，g2o被广泛应用于位姿图优化。其原理是将位姿和观测之间的联系表示为一个图，然后使用Levenberg-Marquardt算法对整个图进行优化。PCL库中实现了pcl::registration::Registration类来进行g2o优化，其函数名为optimize()。
LUM（Local Uncertainty Models）是一种局部优化方法，它通过将全局错误分解为许多局部错误并使用紧耦合的因子图来解决SLAM中的位姿优化问题。LUM利用本地不确定性模型对误差进行建模，同时使用线性最小二乘法对误差进行修正。LUM可以高效地处理大规模复杂的SLAM问题，但对于非高斯误差模型不能很好地适应。PCL库中实现了pcl::registration::LUM类来进行LUM优化，其函数名为optimize()。
ELCH（Explicit Loop Closing Heuristic）是一种基于启发式的环路检测和位姿图优化方法。在SLAM中，环路会导致位姿估计的误差，因此需要进行环路检测和闭合处理。ELCH通过使用显式的启发式规则来检测环路，并使用g2o框架进行图优化，以提高位姿估计的精度。PCL库中实现了pcl::registration::ELCH类来进行ELCH优化，其函数名为compute()。