iSAM2: Incremental Smoothing and Mapping Using the Bayes Tree 阅读笔记

优化这样一个方程，其实就是解这个最小二乘问题，其实就是求A的逆。

这样一个问题包括几个可研究的部分

• 怎么把各种观测值和变量之间的关系，变成A矩阵
  • 为啥解决一个概率的问题，但都是在处理矩阵的问题呢？
    • 因为我们都是解决的高斯分布的随机变量。高斯分布用一个协方差矩阵和均值向量就能完全表示了。
    • 当我们使用矩阵变换手段，把一个矩阵变成另外一个矩阵，其实也是把一个随机变量变成另外一个随机变量了。
  • 为啥几个观察量的随机变量就能表示所有状态量的联合概率分布，不是联合概率分布是非常难直接表示的吗？
    • 因为所有状态量的随机概率分布就是又这些观察量的随机变量定义的。哪怕只有一个观测量，我们也能定义出一个全状态的联合分布函数。
  • 因子图和Bayes图在联合概率函数上的区别
    • 因子图是由观察量的联合概率密度函数相乘，是表示状态量到观察量的关系，所以是无向图，对应的矩阵不一定是方阵，因为观察量的维度和状态量的维度不一样。Bayes图是由状态量之间的条件密度函数组成，所以是有向图，而且是表示状态量到状态量的关系，所以是方阵。
    • 这篇文章中