状态估计-滤波器和非线性优化的区别

前言：

在SLAM中，状态估计问题一般采用滤波器或者非线性优化的方法来解决，例如在LIO-SAM中进行状态估计时，使用了ICP的方法进行状态估计，其中ICP的求解采用了高斯牛顿的非线性优化方法；又例如在FAST-LIO中使用了滤波器迭代卡尔曼滤波的方法进行状态估计。

1.非线性优化和EKF的区别：

在优化问题中，每迭代一次，状态估计发生变化之后，我们会重新对新的估计点做泰勒展开，而不像EKF那样只在固定点上做一次泰勒展开，可以粗略的认为EKF仅是优化中的一次迭代。

非线性优化-高斯牛顿法的优化过程可参考以下文章：

非线性最小二乘-高斯牛顿法-优快云博客

EKF相较于KF的通常做法是，在某个点附近考虑运动方程及观测方程的一阶泰勒展开，只保留一阶项，即线性的部分，然后按照线性系统进行推导。  

KF的理解可以参考以下文章：

SLAM基础知识-卡