G20

后端中有两个主流的优化方法

• 滤波器方法：早期SLAM主流方法，是存储量和状态量是平方增长关系，因为存储的是协方差矩阵，因此不适合大型场景。而 现在基于视觉的SLAM方案，路标点（特征点）数据很大，滤波方法根本吃不消，所以此时滤波的方法效率非常 低。
• 图优化方法：现在主流的优化方法，图优化里面BA是起到了核心的作用，BA是稀疏的，可以加速。

在SLAM里，图优化一般分解为两个任务：

1、构建图。机器人位姿作为顶点，位姿间关系作为边。

2、优化图。调整机器人的位姿（顶点）来尽量满足边的约束，使得误差最小。

在图中，图的顶点就是机器人的一个位姿，边就是两个顶点的转换关系

第一步设置的内容为$H \Delta x=b$的求解方式

大概是有这些方法

LinearSolverCholmod ：使用sparse cholesky分解法。继承自LinearSolverCCS
LinearSolverCSparse：使用CSparse法。继承自LinearSolverCCS
LinearSolverPCG ：使用preconditioned conjugate gradient 法，继承自LinearSolver
LinearSolverDense ：使用dense cholesky分解法。继承自LinearSolver
LinearSolverEigen： 依赖项只有eigen，使用eigen中sparse Cholesky 求解，因此编译好后可以方便的在其
他地方使用，性能和CSparse差不多。继承自LinearSolver

在g2o/g2o/solver文件夹下可以看见相应的文件

第二步设置BlockSolver<>，他包含了线性的求解器

第三部设置总的求解器，并从GN, LM, DogLeg 中选一个，再用上述块求解器BlockSolver初始化。打开g2o/g2o/core/目录下的各个算法可以看见，均继承自OptimizationWithHessian，并且OptimizationWithHessian继承自OptimizationAlgorithm

第四部创建最大的求解器，稀疏优化器（SparseOptimizer），并用已定义求解器作为初始。

第五步设置顶点和边