一 遞歸方法
后端（Backend）
- 帶噪聲的數據估計內在狀態——狀態估計問題
- Estimated the inner state from noisy data
漸進式（Incremental/Recursive）
- 保持當前狀態的估計，在加入新信息時，更新已有的估計（濾波）
- 線性系統+高斯噪聲=卡爾曼濾波器
- 非線性系統+高斯噪聲+線性近似=擴展卡爾曼
- 非線性系統+非高斯噪聲+非參數化=粒子濾波器
- Sliding window filter & multiple state Kalman (MSCKF)
批量式（Batch）
- 給定一定規模的數據，計算該數據下的最優估計（優化）
數學描述
從貝葉斯濾波器來推導卡爾曼濾波器
Kalman Filter 的非線性擴展： EKF
優點
- 推導簡單清楚，適用各種傳感器形式
- 易於做多傳感器融合
缺點
- 一階馬爾可夫性過於簡單
- 可能會發散（要求數據不能有 outlier
- 線性化誤差
- 需要存儲所有狀態量的均值和方差，平方增長
二 批量方法
三 Pose Graph
實際當中 BA 的計算量很大
• 通常放在單獨的后台線程中計算而無法實時
• 主要計算來自於大量的特征點
Pose Graph 即是省略了特征點的 Bundle Adjustment
