视觉SLAM：滑动窗口

考虑某个状态 \(\xi\),以及一次与该变量相关的观测 \(r_{i}\)。由于噪声存在，观测服从概率分布 \(p(r_{i}|\xi)\)。多个观测时，各个测量值相互独立，则多个测量 \(r = (r_{1}, ..., r_{n})^{T}\)构成的似然概率为：

如果知道机器人状态的先验信息 \(p(\xi)\)，如GPS,码盘信息等，则由贝叶斯法则，有后验概率：

通过最大后验估计，获得系统状态的最优估计：

意为在当前的观测下，什么样的系统状态出现的概率最大。

分母跟状态量无关，舍弃取log。即：

如果观测服从多元高斯分布：

则有：

该问题可由最小二乘求解：

零均值的多元高斯分布概率为：\(p(x) = \frac{1}{Z}exp(-\frac{1}{2}x^{T}\Sigma^{-1}x)\)

其中\(\Sigma\)是协方差矩阵。\(\Sigma^{-1}\)为协方差矩阵的逆，即信息矩阵。

使用滑动窗口不可避免的要移除掉变量，当移除变量的时候，之前与之不相关的变量，有可能变得相关，所以要对信息矩阵进行维护。

这里使用舒尔补来对信息矩阵进行边缘化处理。

给定任意的矩阵块M，如下所示：

如果，矩阵块D是可逆的，则 \(A-BD^{-1}C\)称之为D关于M的舒尔补

如果。矩阵块A是可你的，则 \(D-CA^{-1}B\)称之为A关于M的舒尔补

假如一个系统三个变量x1,x2,x3。其信息矩阵为：

那么把x3去掉，也就是把蓝色部分去掉，利用舒尔补。

则去掉后的信息矩阵为：

上述最小二乘问题，对应的高斯牛顿求解为：

注意：这里的H反应的是求解的方差，而\(\Sigma^{-1}\)反应的是残差的方差

公式中的雅可比矩阵为：

矩阵乘法公式可以写成连加：

使用边际概率移除变量\(\xi_{1}\),信息矩阵的变化过程：

巴特西