滤波法优化法再次理解

1. 联合概率分布有两种表示方式：
   1. 表示成不同变量不同取值的函数
   2. 用先验概率（代表系统状态）乘以条件概率（似然函数，和状态无关）表示
2. 边缘化不是说不考虑某个变量的影响。因为边缘化是把某个变量所有取值的先验乘以似然。所以这里和系统状态还有变量依赖都有关系。比如在MSCKF中，把3d点边缘化后，看似3d点的准确度就不影响了。但是边缘化结果和3d点先验有关系，所以如果先验不准的化，还是会影响结果。
3. 是否能把一个变量边缘化取决于在这个概率图中，这个变量必须成为一个分割。我们经常说1时刻状态取决于2时刻，2时刻取决于3时刻等等。3时刻不取决于1时刻。其实反而3时刻怎么取决于1时刻不好想象。这里需要引入3d点还理解，3时刻的pose由1,2时刻建出的点求得。也就是1时刻的pose会影响建出来的3d点，3d点再影响3时刻pose。所以这里不能在不边缘化3d点时，单独边缘化1时刻pose。
4. 概率和优化的联系在于，优化是求一个联合概率分布中，对应概率最大的变量取值。在丢弃变量时有两种做法：
   1. 直接丢弃：等于使用丢弃变量的最大概率作为最终取值。这个直其实不一定对应全局中最大概率的取值。
   2. 边缘化后丢弃：上一个方法等效于无视所有取值不等于概率最大时取值以外的概率。边缘化就能考虑所有变量所有取值的影响，得到一个真的全局概率最大。在先验概率比较平坦的时候，直接丢弃的影响会变大
5. 直接给出一个联合概率分布，求概率最大值比较直观。但如果给出的是先验概率加似然，要求求最大概率取值，就需要求助于图了。
6. 求一个先验乘以似然的函数的最大值，这个问题等效于两个factor的图优化，先验一个factor，似然一个factor。先验是x的函数，似然是x和y的函数。
7. 多帧的滤波器，其实是对同一个变量做了多次观察，等效于优化法里面的多次迭代。