《表1 SLAM后端优化方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于图优化的SLAM后端优化研究与发展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

优化算法是基于图优化的SLAM后端优化的核心部分，但随着SLAM系统研究的深入，优化算法不再局限于上述四种方法中，例如Eckenhoff等人[40]提出的边缘化和稀疏化解耦的方法；Xie等人[41]提出了在前端与后端之间建立中间层剔除假闭环，并加入人工闭环，提高后端的鲁棒性，如表1所示。后端优化算法需要解决的难题就是精确性与实时性之间的关系，两者之间相互制约。因此，面对大规模环境的数据，在优化时常用矩阵分解来提高效率。在大规模环境中采集数据，其数据之间的关联性增强，后端优化需要处理的矩阵规模就会复杂化，且SLAM系统具有内在的稀疏特性。因此，在后端优化中使用矩阵分解，降低问题求解的复杂性。Cholesky与QR分解是在后端优化中常用的两种矩阵分解方法。Eckenhoff、Konolige、Mazuran等人[40，42，43]均对稀疏性进行利用，进行矩阵分解以提高效率。Dellaert等人[28]指出，当机器人位姿节点远大于路标节点时，两种分解方法均需要O（mn2）运算。面对不同规模的环境，选择不同的分解方法，可以提高后端优化的处理速度，缩短时间。