因子图优化

把各种测量约束画成「变量-因子」图，再用最小二乘求最可能状态的方法。

因子图是一种二分图：一类节点是待估计的变量，如机器人各时刻的位姿、路标的三维坐标；另一类节点是因子，每个因子代表一条测量或先验带来的概率约束，比如 IMU 给出两帧之间的相对运动，相机给出某个路标的观测。求最大后验估计（在所有观测下最可能的状态）等价于最小化所有因子误差的平方和，可以用高斯-牛顿、Levenberg-Marquardt 等非线性最小二乘方法求解，并利用图的稀疏性加速。Frank Dellaert 与 Michael Kaess 2017 年的综述系统阐述了这套框架，佐治亚理工开源的 GTSAM 是常用实现。它是现代 SLAM 和多传感器融合后端的主流写法，加一种新传感器只需加一种因子。

例子LIO-SAM（IROS 2020）把激光雷达里程计、IMU 预积分和回环检测都作为因子加入同一个因子图，统一优化机器人轨迹，并用优化结果估计 IMU 零偏。

也叫

因子图、Factor Graph、图优化

相关

同步定位与建图、GTSAM、光束法平差、IMU 预积分、回环检测、多传感器融合

来源

GTSAM: Factor Graphs and GTSAM tutorial
Dellaert & Kaess: Factor Graphs for Robot Perception (Foundations and Trends in Robotics, 2017)
LIO-SAM: Tightly-coupled Lidar Inertial Odometry via Smoothing and Mapping