本节介绍SLAM中的后端优化过程
一、问题阐述
同时对三维点位置和相机参数进行非线性优化
二、LM法的原理与优势
原理：是一种“信赖域”的方法，当收敛速度较快时，增大信赖域使算法趋向于高斯牛顿法；当收敛速度较慢时，减小信赖域使算法趋向于最速下降法。
优势：速度快；可以在距离初始值较远处得到最优解。
SLAM优化算法对比
算法缺点优点
KF/EKF假设噪声为高斯分布，在高维状态空间时计算效率较低，不适合大规模场景的地图构建原理简单，小场景下收敛性好。PF会不可避免出现粒子退化现象，每个粒子需包含整张地图信息导致不适合大场景地图构建将运动方程表示为一组粒子，通过蒙特卡罗方法求解，能够处理非线性非高斯噪声。EM计算量大，不能用于大规模场景有效解决了数据关联问题图优化对闭环检测算法的要求严格出现多种图优化框架，能够有效解决滤波器算法的缺陷，能用于大规模场景的地图创建
