【视觉SLAM笔记】第10章 后端2

一、理论

1. 滑动窗口滤波与优化

我们来详细探讨一下视觉SLAM中一个非常核心且重要的技术：滑动窗口滤波与优化 (Sliding Window Filtering and Optimization)。

这是一种在实时性和精度之间取得精妙平衡的关键方法，被广泛应用于现代高性能的视觉（或视觉-惯性）SLAM系统中，例如 VINS-Mono、OKVIS 和 ORB-SLAM系列中的局部捆集调整（Local BA）。

2. 基于李代数表示的滑动窗口法

我们来深入探讨基于李代数表示的滑动窗口优化法。这部分内容会更偏向数学和实现细节，是理解现代SLAM后端如何处理位姿优化的核心。

在上一篇回答中，我们讨论了滑动窗口的“是什么”和“为什么”。现在，我们关注“怎么做”，特别是如何处理旋转和位姿这种非向量空间中的变量。

3. 滑动窗口法适用范围

了解一个技术的适用范围和局限性，与了解其工作原理同等重要。

滑动窗口优化法（Sliding Window Optimization）并非万能钥匙，它是一种针对特定场景和需求而设计的折中方案。它的适用范围主要由其核心特性——有界的计算复杂度和对局部信息的精细优化——所决定。

4. 位姿图

我们来详细解析视觉SLAM中另一个至关重要的概念：位姿图 (Pose Graph)。

如果说滑动窗口优化是“专注于当下和近邻的精细打磨”，那么位姿图优化就是“着眼于大局的宏观调控”。它主要用于解决SLAM中的大尺度一致性问题，尤其是回环闭合 (Loop Closure)。

5. 关于目标函数（误差项）的定义

6. 根据目标函数推导雅可比矩阵

7. 位姿图的优化

8. 为什么有的地方是这样的结果

二、代码笔记

1. pose_graph_g2o_SE3.cpp

2. pose_graph_g2o_lie_algebra.cpp

• SE(3) 李代数顶点与测量边的定义；

• 重投影误差的李代数表达及其线性化；

• 基于 G2O 的 Levenberg–Marquardt 优化架构。