优化方法（激光 VS 视觉）

• 增量式优化

  • 保持当前的状态估计，在有新数据加入时，更新已有的估计。
  • KF：线性系统+高斯噪声。
  • EKF：非线性系统+高斯噪声。
  • PF：非线性系统+非高斯噪声。
  • 图优化：

• 批量式优化

  • 给定一定规模数据（观测和运动），计算该数据下的状态估计。

EKF

• 步骤：预测部分、卡尔曼增益、更新部分。
• 优点：推导简单，容易做多传感器融合。
• 缺点：
  • 线性化误差。
  • 需要计算和存储所有状态的均值和方差，平方增长。
  • 一阶马尔科夫性假设过于简单。

PF

• 步骤：初始化粒子、权重计算、重采样、建图。
• 优点：小场景建图效果较好。
• 缺点：每个粒子需要存储一张地图，大场景时计算量大。

BA

• 属于批量式优化方法：给定很多个相机位姿与观测数据，计算最优的状态估计。
• 与图结构关系：定点为优化变量，边为运动或观测约束。
• 利用增量方程中H矩阵的稀疏性，可以采用边缘化或Schur消元方法加速计算。

梯度下降 VS 高斯牛顿

• 梯度下降：优点是计算量小，在步长设置的比较大时，可以有较快的收敛速度；缺点是在极小值点处发生震荡。
• 高斯牛顿：优点是在极小值附近更快的收敛（二阶导数反应梯度的趋势）；缺点需要计算H矩阵。

激光建图 VS 视觉建图

• 三个模块：前端激光里程计或视觉里程计，后端图优化（捆集调整），回环检测。
• 前端位姿估计：激光采用的方法有ICP、NDT、特征；视觉中有对极几何、PnP、ICP。
• 后端图优化：
  • 分为批量优化方法（回环的时候）和增量优化方法（每次定位）；批量优化方法是一次性给所有的观测和控制数据之后进行优化得出最终轨迹和地图，增量优化方法是给定历史轨迹地图和当前的观测控制数据之后优化得到最终的轨迹和地图。
  • 利用H矩阵的稀疏性，采用边缘化或schur补方法对变量进行消元。
• 回环检测：激光采用分支定界方法；视觉采用词袋模型。