非线性优化与卡尔曼滤波

卡尔曼滤波与最小二乘在本质上是一样的。
目标相同：都是为了滤去在SLAM模型对应的运动方程和观测方程中的噪声
求解思路相同：利用后验概率=似然概率*先验概率
假设条件相同：状态量包括相机位姿、路标位置、观测数据都满足高斯分布
不同：最小二乘法定义数据与估计值之间的误差，在状态量x、观测量z均满足高斯分布条件下，通过最小化概率密度负对数，建立误差关于状态量、观测量的方程，用求解最小二乘的方法进行求解；
卡尔曼滤波直接利用k-1时刻的状态量推导当前时刻的先验分布，根据运动方程和预测方程进行求解卡尔曼增益，进而计算后验分布，通过不断迭代消除噪声影响。

暂时理解如上，后续补充。
参考：SLAM14讲
以及https://blog.csdn.net/zkk9527/article/details/89053388 ，该博客中的公式推导很详细