weixin_38991876的博客

简单高效适合线性系统不适用于复杂动态或非线性状态空间非线性系统可用，但要线性化有线性化误差（尤其是强非线性时）在SLAM、VIO（视觉惯性）中常用项目KFEKFESKF系统模型线性非线性，线性化整体非线性，线性化误差状态处理对象状态状态误差状态 + 主状态精度稳定性高（线性系统）一般（强非线性会误差大）更高（误差小量线性化，稳定）姿态处理不适用需要线性化旋转适合旋转（使用李群、四元数等误差表达）应用场景简单线性系统VIO, SLAM 中常用。

步骤名称作用使用的库1接收关键帧数据获取初估位姿/预积分ROS2构建因子图表示各类约束GTSAM3添加IMU因子提供连续运动约束IMU预积分4添加Lidar因子当前帧scan-to-map匹配结果前端输出5添加回环因子闭环检测6优化得到最优轨迹与地图iSAM27发布地图与轨迹给其他模块使用ROS 发布器。

卡尔曼滤波器的目的与意义何在？- 陈不陈的回答 - 知乎。

每日浅读SLAM论文——简析Cartographer_cartographer slam-优快云博客

https://zhuanlan.zhihu.com/p/163860280

两者初始化过程的差异反映了其设计哲学：ORB-SLAM3以视觉为主导，IMU为辅助；ORB-SLAM3和VINS-Mono是两种基于不同理论框架的视觉SLAM系统，它们的初始化过程在目标、方法和对传感器数据的处理上存在显著差异。在滑动窗口内预积分IMU数据，计算帧间相对运动（旋转、速度、位置变化）。视觉匹配 → 三角化 → BA优化 →（若IMU）→ 视觉-惯性对齐。使用8点法或5点法计算帧间位姿，三角化特征点，构建局部地图。：将视觉和IMU的约束联合优化，初始化所有状态量。

https://zhuanlan.zhihu.com/p/138632367

AMCL（Adaptive Monte Carlo Localization）是机器人领域中基于蒙特卡洛方法的自适应定位算法，用于机器人在已知地图中的位姿估计。其核心是（Particle Filter），通过一组随机采样的粒子（即假设的机器人位姿）逼近机器人真实位置的概率分布。