摘要： 本文详细解析了SLAM中因子图与图优化的本

目录

• 因子图 vs 图优化：傻傻分不清？一张图讲透两者的本质区别
  • 目录
  • 1. 核心结论：它们根本不是一个层面的概念
  • 2. 什么是图优化？
    • 2.1 图优化的本质
    • 2.2 图优化的数学形式
    • 2.3 图优化的求解过程
    • 2.4 图优化的代表工具
  • 3. 什么是因子图？
    • 3.1 因子图的本质
    • 3.2 因子图的数学形式
    • 3.3 因子图的可视化表示
    • 3.4 因子图的代表工具
  • 4. 关键区别：建模语言 vs 求解算法
    • 4.1 层面不同
    • 4.2 图的含义不同
    • 4.3 求解方式不同
  • 5. 直观类比：盖房子 vs 造家具
  • 6. 实际系统中的关系
    • 6.1 因子图 → 图优化
    • 6.2 典型流程
  • 7. 开源工具对比
    | 工具 | 类型 | 核心功能 | 代表算法 | 使用场景 |
    |------|------|----------|----------|----------|
    | g2o | 图优化库 | 求解通用图优化问题 | LM、高斯-牛顿 | ORB-SLAM后端 |
    | Ceres Solver | 优化库 | 求解非线性最小二乘 | LM、信赖域 | Cartographer、VINS |
    | GTSAM | 因子图库 | 构建+求解因子图 | iSAM、贝叶斯树 | LIO-SAM、VINS-Fusion |
    | iSAM | 增量平滑库 | 增量式求解因子图 | QR分解 | 大规模SLAM |
  • 8. 总结：一张表看懂区别

1. 核心结论：它们根本不是一个层面的概念

因子图优化和图优化是SLAM（同步定位与地图构建）中常用的两种优化方法，它们在处理方式和应用场景上有显著区别。

图优化，也称为位姿图优化，是一种全局优化方法。它将所有的位姿点和观测数据构建成一个图，然后通过优化算法对整个图进行全局优化。每个节点代表一个位姿，每条边代表一个观测或运动约束。图优化的目标是通过调整节点的位置，使得所有边的误差最小化。这种方法适用于静态环境，但由于需要对整个图进行优化，计算量较大，处理速度较慢。

因子图优化是一种增量式的优化方法。它将SLAM问题表示为一个因子图，其中节点表示变量（如相机位姿和路标），边表示因子（如观测和运动约束）。因子图优化的核心思想是保留中间计算结果，每次加入新的观测或运动数据时，只对新增部分进行优化，而不需要重新计算整个图。这种方法可以显著减少计算量，提高处理速度，适用于动态环境。

因子图优化的一个重要特点是使用贝叶斯网络来表示概率关系，通过最大化后验概率来进行优化。具体来说，因子图优化通过构建误差模型和协方差矩阵，使用第三方库（如GTSAM）进行因子的添加、误差函数的构建和优化求解。

总结来说，图优化适用于静态环境，计算量大，处理速度慢；而因子图优化适用于动态环境，计算量小，处理速度快。选择哪种方法取决于具体的应用场景和需求。

这是SLAM初学者最容易混淆的概念之一。让我直接给出结论：

因子图是一种建模语言**（问题的表示方式）**
图优化是一种求解方法**（问题的求解方式）**

打个比方：

• 因子图就像建筑设计图——描述了房子应该建成什么样
• 图优化就像施工队——按照设计图把房子盖出来

它们的关系：因子图经过转化后，可以用图优化来求解。

2. 什么是图优化？

2.1 图优化的本质

图优化是指将优化问题表示为图的形式，然后通过数值方法求解。这里的"图"指的是由节点和边组成的图结构。

• 节点：待优化的变量（如相机位姿、路标点位置）
• 边：节点之间的约束（如观测方程、运动模型）

2.2 图优化的数学形式

图优化要解决的是非线性最小二乘问题：

$$\underset{\mathbf{X}}{\min }\sum _{i,j}\Vert {\mathbf{e}}_{ij}({\mathbf{x}}_i,{\mathbf{x}}_j){\Vert }_{{\mathbf{\Lambda }}_{ij}}^2$$

其中：

• X = { x 1 , x 2 , . . . , x n } \mathbf{X} = \{\mathbf{x}_1, \mathbf{x}_2, ..., \mathbf{x}_n\} X={x1​,x2​,...,xn​} 为所有节点
• ${\mathbf{e}}_{ij}$ 为边 $ij$ 的误差函数
• ${\mathbf{\Lambda }}_{ij}$ 为信息矩阵（权重）

2.3 图优化的求解过程

图优化的求解通常使用高斯-牛顿法或LM算法：

1. 线性化：在当前估计值处对误差函数进行一阶泰勒展开
   $${\mathbf{e}}_{ij}(\mathbf{X}+\Delta \mathbf{X})\approx {\mathbf{e}}_{ij}(\mathbf{X})+{\mathbf{J}}_{ij}\Delta \mathbf{X}$$

2. 构建正规方程：
   $$\mathbf{H}\Delta \mathbf{X}=-\mathbf{b}$$
   其中 $\mathbf{H}=\sum {\mathbf{J}}_{ij}^T{\mathbf{\Lambda }}_{ij}{\mathbf{J}}_{ij}$，$\mathbf{b}=\sum {\mathbf{J}}_{ij}^T{\mathbf{\Lambda }}_{ij}{\mathbf{e}}_{ij}$

3. 求解线性系统：利用矩阵的稀疏性加速求解

4. 更新：$\mathbf{X}\leftarrow \mathbf{X}+\Delta \mathbf{X}$

5. 迭代直到收敛

2.4 图优化的代表工具

• g2o：通用图优化库，ORB-SLAM使用
• Ceres Solver：Google出品的非线性优化库，Cartographer、VINS使用
• GTSAM：佐治亚理工开发的平滑与建图库，虽然后来主打因子图，但求解器本质是图优化

3. 什么是因子图？

3.1 因子图的本质

因子图是一种概率图模型，用于表示概率分布的因子分解结构。它来自图论和概率论的交叉领域。

因子图由两种节点组成：

• 变量节点（圆圈）：表示随机变量（如状态$x_k$）
• 因子节点（方块）：表示因子函数（如观测概率$p(z_k|x_k)$）

3.2 因子图的数学形式

因子图表示的是联合概率分布的因子分解：

$$p(\mathbf{X}|\mathbf{Z})\propto \prod _i{f}_i({\mathbf{X}}_i)$$

其中：

• $f_i$ 为因子函数（对应各种约束）
• ${\mathbf{X}}_i$ 为与该因子相连的变量

3.3 因子图的可视化表示

    ┌───┐    ┌───┐    ┌───┐
    │ f1│    │ f2│    │ f3│
    └─┬─┘    └─┬─┘    └─┬─┘
      │        │        │
    ┌─▼─┐    ┌─▼─┐    ┌─▼─┐
    │ x1│────│ x2│────│ x3│
    └───┘    └───┘    └───┘
      │        │        │
    ┌─▼─┐    ┌─▼─┐    ┌─▼─┐
    │ g1│    │ g2│    │ g3│
    └───┘    └───┘    └───┘

• 上排$f_i$：运动模型因子（连接相邻位姿）
• 中间$x_i$：位姿变量
• 下排$g_i$：观测模型因子（连接位姿和路标）

3.4 因子图的代表工具

• GTSAM：最著名的因子图库，实现了因子图的构建和增量求解
• iSAM：增量平滑与建图库，基于因子图理论
• Bayes Tree：因子图的贝叶斯网络形式，用于增量更新

4. 关键区别：建模语言 vs 求解算法

4.1 层面不同

4.2 图的含义不同

因子图的"图"：

• 节点：变量节点 + 因子节点（两种类型）
• 边：表示变量属于某个因子
• 含义：概率依赖关系

图优化的"图"：

• 节点：全是变量节点（一种类型）
• 边：表示变量间的约束
• 含义：误差约束关系

4.3 求解方式不同

因子图的求解：

1. 首先将因子图转化为贝叶斯网络（通过变量消元）
2. 或者转化为矩阵形式（Hessian矩阵）
3. 再调用数值优化器求解

图优化的求解：

1. 直接构建正规方程 $\mathbf{H}\Delta \mathbf{x}=-\mathbf{b}$
2. 求解线性系统
3. 迭代更新

5. 直观类比：盖房子 vs 造家具

让我用一个生活化的类比帮你理解：

因子图 = 建筑设计图 + 材料清单

• 告诉你哪里要放柱子（变量）
• 哪里要有承重墙（因子约束）
• 房子应该建成什么样

图优化 = 施工队 + 施工方法

• 负责把设计图变成真实的房子
• 用混凝土浇筑（线性化）
• 用吊车吊装（求解线性系统）
• 反复测量调整（迭代）

关系：

• 你可以用施工队（图优化）去盖不同设计图（因子图）的房子
• 也可以用同一个设计图（因子图）让不同施工队（不同优化器）去盖

6. 实际系统中的关系

6.1 因子图 → 图优化

在SLAM系统中，两者的关系是这样的：

传感器数据 → 构建因子图（建模） → 转化为图优化问题 → 求解器求解 → 状态估计
                                      ↓
                                HΔx = -b 正规方程
                                      ↓
                               LM/高斯-牛顿迭代

6.2 典型流程

以LIO-SAM为例：

1. 因子图构建阶段：

   // 添加IMU预积分因子
   graph.add(imuFactor);
   // 添加激光里程计因子  
   graph.add(laserFactor);
   // 添加GPS因子
   graph.add(gpsFactor);
   

2. 转化求解阶段：

   // 内部将因子图转化为优化问题
   // 构建Hessian矩阵
   // 调用LM算法求解
   optimizer.optimize();
   

7. 开源工具对比

注意：GTSAM虽然主打"因子图"，但它内部实现了从因子图到数值优化的完整转换。它既提供了建模语言（因子图API），也提供了求解器（优化算法）。

8. 总结：一张表看懂区别

一句话终极总结：

因子图是"剧本"，图优化是"演员"——剧本规定了故事框架，演员负责把故事演出来。好的剧本（因子图）需要好的演员（图优化）才能呈现精彩的效果！