CERES原理参考彻底理解因子图优化GTSAM原理GTSAM和ceres本质一致都是因子图优化GTSAM 是因子图优化框架Factor Graph FrameworkCeres 是非线性最小二乘求解器Nonlinear Least Squares SolverCeres 本身并没有因子图的数据结构只不过可以用 Residual Block 去表示因子图中的每个因子。两者最终都可以求解 SLAM 中的 MAP/最小二乘问题但建模方式不同。GTSAM优势iSAM2 的核心优势不是优化精度更高而是在保证优化结果与批量优化接近的前提下实现了高效的在线增量优化。传统 Ceres新增一个Factor ↓ 重新建立整个优化问题 ↓ 重新Linearize ↓ 重新求解iSAM2新增一个Factor ↓ 找到受影响的Clique ↓ 局部重新线性化 ↓ 局部重新消元 ↓ 更新Bayes Treeceres遇到回环需要做整体图优化重新BA isam2只需要更新受影响的clique内存利用率更高因为Bayes Tree保存的是条件概率。不是整个Hessian。很多矩阵不用重复建立。尤其在线系统优势明显。所以isam2更适合做长期地图在线运行