GTSAM理解

最新推荐文章于 2025-06-02 14:03:06 发布

小萌虫

最新推荐文章于 2025-06-02 14:03:06 发布

阅读量3.1k

点赞数 2

CC 4.0 BY-SA版权

文章标签： slam

本文链接：https://blog.csdn.net/qq_38983484/article/details/119668919

GTSAM是一个用于计算机视觉和多传感器融合的C++库，专注于SLAM和SFM问题的因子图优化。本文介绍了GTSAM的基本概念，包括贝叶斯网络和因子图。贝叶斯网络是有向无环图模型，表示属性间的依赖关系；而因子图则通过因式分解全局函数来描述变量之间的约束，是SLAM中表示观测和状态的重要工具。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1：GTSAM是什么

参考博文：gtsam：从入门到使用
1：是什么：
GTSAM是用于计算机视觉和多传感器融合方面用于平滑和建图的C++库，GTSAM采用因子图和贝叶斯网络的方式最大化后验概率。
2：解决什么问题：
GTSAM解决SLAM和SFM的问题（lia_sam后端因子图优化）

2：贝叶斯网络和因子图

1：贝叶斯网络

1：贝叶斯网络是什么
贝叶斯网络（信念图）（有向无环图模型）是一种概率图模型。
2：贝叶斯网络的组成

节点：代表属性（变量或未知参数）
节点间的连线（弧）：代表属性之间的依赖关系

3：例子
在这里插入图片描述
a和b是独立的，a和b通过弧指向c，则c的概率值将依赖于a和b，说明属性c受到a和b的影响，因为有向无环图，则c不会指向a和b。由上图可知：P(a,b,c)=P(a)P(b)P(c|a,b)成立。

具体更多例子参考：二. 贝叶斯网络

2：因子图

1：什么是因子图
因子图就是对函数进行因子分解得到的概率图，由变量节点和函数节点组成
因子图的三个基本组成部分：

因子图（factor graph）：它属于一个二分图，由因子和变量连接而成。
变量（variables）：估计问题中的未知随机变量。
因子（factors）：非线性因子表示变量之间的约束，在slam中，可能为landmark或者odometry的读数。
2：因子图的表示

全局函数可以通过因式分解得到多个局部函数的乘积，局部函数和对应变量的关系就体验在因子图上。
$g\left(x_{1}, x_{2}, x_{3}, x_{4}, x_{5}\right)=f_{A}\left(x_{1}\right) f_{B}\left(x_{2}\right) f_{C}(x 1, x 2, x 3) f_{D}\left(x_{3}, x_{4}\right) f_{E}\left(x_{3}, x_{5}\right)$