SLAM后端——滤波与优化对比

滤波与优化：
摘自：https://www.cnblogs.com/zengcv/p/5994587.html
因为基于滤波的理论，滤波器稳度增长太快，这对于需要频繁求逆的EKF（扩展卡尔曼滤波器），PF压力很大。而基于图的SLAM，通常以keyframe（关键帧）为基础，建立多个节点和节点之间的相对变换关系，比如仿射变换矩阵，并不断地进行关键节点的维护，保证图的容量，在保证精度的同时，降低了计算量。

摘自：https://zhuanlan.zhihu.com/p/28574164

• EKF滤波方案：
  1、滤波器方案一定程度上假设了马尔可夫性，但这个在实际场景中通常不一定满足；
  2、EKF方案在小范围可以近似线性，但是在较大范围时存在非线性误差；
  3、EKF需要存储状态量的均值和方差，随着路标数量的增大，状态量呈平方级数增加（协方差矩阵）。
• 基于优化的方案：
  基于优化的方案目前使用越来越多，但也存在着长时间运行的规模问题

摘自：《视觉SLAM十四讲从理论到实践》
虽然非线性优化效果较好，但是在SLAM 这种实时性要求较强的场合，考虑到前端已经占据了不少的计算量，建图方面则通常采用计算量较少的滤波器方式了。

检索关键字：
比较有代表性的几个工作 PTAM， LSD-SLAM， ORB-SLAM
ROS中融合的RGBD-SLAM， RTAB-SLAM
稠密、半稠密、稀疏的方案等 LSD-SLAM， SVO， DSO， DVO
多传感器融合的方案，如MSCKF， OKVIS等