一、直白解释slam与图优化的结合 

我从b站上学习理解的这个概念。 

视频的大概位置是1个小时以后，在第75min到80min之间。图优化SLAM是怎么一回事。

slam本身是有运动方程的，也就是运动状态递推方程，也就是预测过程。通过t1时刻，可以递推预测t2时刻的传感器位置。

重点来了：

我通过这个预测的t2时刻的位置，可以预测出，在t1时刻所建地图中特征在t2时刻的位置。

t1时刻的位置有了，观测的特征有了。对t2时刻的位置预测可以通过运动方程递推出来。那么我就可以基于对t2时刻位姿的估计，基于这个视角，估测出此时在t1时刻时地图中那些特征点，在t2时刻时，在地图中的位置。 

对t2时刻特征位置的估计有了，对t2时刻特征位置的观测有了，两者之间的差异，就是我们需要最小二乘优化的。

slam不是分为定位与建图两部分嘛，我通过t2时刻定位的预测（视角，位姿），可以推断出，t2时刻可能建立的地图的样子（或者说，t1时刻的特征点，在预测t2时刻位置之后，这些特征点，在t2时刻观察时这些特征点应该在的位置）。

这个预测的地图，在理论上——如果预测准确的话，应该跟t2时刻观测的地图是一样的。

吐过位姿预测观察的地图跟实际观测的地图应该是一样的，如果不一样，这个误差就需要优化了。

这就是slam跟图优化结合的点位。

二、对比案例辅助理解

回顾我们之前的图优化案例：我们有一个非线性的待拟合曲线。

基于预测的a，b，c,计算出预测的结果，再跟实际的观测数据yi对比，计算误差，

然后通过雅可比更新待估计的参数。使模型参数得到优化更新。

类比：

对数据的预测有了，对数据的观测也有了。两者之间的差异最小化，就是位姿更新误差最小化。

三、图优化优势

只要把残差构建定义出来，

然后把观测数据丢给优化器就不用管了。

ceres如上，g2o如下

把待优化参数交给点，把观测数据交给边。