vio-视觉与IMU融合实现里程计(第四章）——基于滑动窗口算法的VIO系统：可观性和一致性

第一节：从高斯分布到信息矩阵

SLAM为什么使用最小二乘？本讲来看它的由来。


${\sum }^{-1}$放到EKF中相当于噪声矩阵Q,R,表示每次观测的有多准。










第二节：舒尔补应用：边际概率，条件概率










第三节：滑动窗口算法：图优化基础，基于边际概率的滑动窗口算法






如果我们要marginalization掉最开始的cmaera1，若加入的新的camear能够观测到camera1观测到的路标点，此时需要将该路标点在camera1处的观测保留。

第四节：滑动窗口中的FEJ算法

上图中的新的信息矩阵中${\xi }_2$由两部分组成，即以前老的被边缘化的误差对它状态量的雅可比导数，另一部分是新的观测残差对它状态量求导。






6自由度不客观：把整个观测的坐标系进行平移或旋转，变换到另一个地方，测量还是一样的，没有绝对的坐标系。
尺度不客观：将相机间的平移量（尺度）进行缩放，测量值仍然不变