论文笔记——基于因子图消元优化的多传感器融合定位算法

创新点：

为了提高抗干扰性和容错能力，在链式因子图模型中加入滑动窗口用于保留窗口内历史状态信息；同时为了避免高维矩阵运算，引入消元算法将因子图转化为贝叶斯网络，依次边缘化历史状态，实现矩阵降维。
提出了一种基于因子图消元优化算法的多传感器融合定位方法，为了有效提高系统融合定位抗扰性和容错能力，在以链式因子图表示的导航系统中加入一个滑动窗口 ，用于保留窗口内的历史状态，并对新的状态进行更新 。而对于保留大量历史信息引起的计算矩阵维数的急速扩增，引入一种基于Householder部 分QR分解的消元算法，对从旧时刻的状态到新时刻的状态依次进行消元，将链式因子图转化为贝叶斯网络，同时边缘化消元后的状态，使其在保留历史信息的同时，避免了对大矩阵的计算。最后，对消元之后的因子图，采用高斯-牛顿迭代方法反复迭代 ，获得融合定位的最佳状态估计。

知识点：

因子图：

因子图模型：

    针对一个具有多个变量的全局函数，使用“二分图”将其分解为n个含部分变量的局部函数的乘积，这种分解被称为因子图。因子图是一种用于表达随机变量联合概率分布的概率图模型，由变量节点、因子节点和连线组成。

消元优化：

在计算因子图时，为提高最大后验概率推断和变量边缘化速度，引入消元算法将因子图转化为贝叶斯网络。通过变量消元，可以将因子图分解成因子化贝叶斯网络概率密度。