视觉里程计能给出一个短时间内的轨迹和地图，但不可避免的误差累积，这个地图在长时间内是不准确的。要想构建一个尺度，规模更大的优化问题，以考虑长时间内的最优轨迹和地图，这时后端优化就出现了。
一、核心任务与问题本质
核心任务：
- 误差抑制：修正前端（VO/LIO）随时间累积的位姿漂移。
- 全局一致性：联合优化所有历史位姿与地图路标，使整体误差最小。
- 回环闭合：检测到 "回到过往位置" 时，加入强约束，一次性修正长期漂移。
数学本质：非线性最小二乘（状态估计）
- 状态：机器人位姿 x i、地图路标 p j
- 约束：运动约束（相邻位姿）、观测约束（位姿↔路标）、回环约束
- 目标：最小化所有约束的残差平方和 min∑∥e∥ 2
二、两大技术路线：滤波 vs 图优化
2.1. 滤波后端（早期主流，轻量场景）
核心假设 ：马尔可夫性（当前状态仅依赖前一时刻）。
代表算法：
- EKF-SLAM：扩展卡尔曼滤波，维护状态均值与协方差；计算量 O(n2)，仅适用于小场景。
- UKF / 粒子滤波 PF：处理强非线性 / 非高斯；PF 常见于 2D 激光（如 GMapping）。
优缺点：✅ 计算快、内存小、适合低算力（扫地机）❌ 长期漂移、无法全局修正、精度低
2.2 图优化后端（当前主流，高精度场景）
核心思想 ：把 SLAM 建模为因子图（Graph）：
节点（Vertex）：机器人位姿 x1,x2,...xn、地图点 p1,p2,...pm
边（Edge/Factor）：约束（运动、观测、回环），带残差与信息矩阵
优化目标：迭代调整节点，使所有边残差最小。
主流求解器：
- g2o：通用图优化库，视觉 / 激光 SLAM 最常用。
- Ceres Solver：Google 开发，易用、鲁棒性强。
- GTSAM：因子图专用，支持 IMU / 相机 / 激光融合。
优化算法 ：高斯 - 牛顿（G-N）、列文伯格 - 马夸尔特（L-M）（鲁棒性更好）。
优缺点：✅ 全局最优、精度高、可融合多传感器、支持回环❌ 计算量大、需关键帧 / 位姿图稀疏化。
三、关键模块：位姿图、BA、回环与融合
3.1. 光束平差法（Bundle Adjustment, BA）
视觉 SLAM 核心：联合优化所有相机位姿与 3D 路标，最小化重投影误差。
稀疏化：仅优化关键帧与关键路标，控制计算量（如 ORB-SLAM3）。
3.2. 位姿图优化（Pose Graph Optimization）
激光 / 视觉通用：只优化位姿，不优化路标；节点为位姿，边为相对位姿约束（ICP / 匹配）。
适用场景：激光 SLAM（如 Cartographer）、纯定位、大规模建图。
3.3. 回环检测与闭合
作用 ：识别当前帧与历史帧同场景，添加回环约束边，后端一次性修正全局漂移。
主流方法 ：
词袋模型（BoW/DBoW3）：视觉常用，图像→特征向量→相似度检索。
几何验证：RANSAC 验证候选回环的几何一致性，剔除误检。
深度学习：NetVLAD、语义匹配，提升动态 / 视角变化鲁棒性。
3.4. 多传感器融合后端
IMU + 视觉（VIO）：紧耦合因子图（如 OKVIS、VINS-Mono），IMU 预积分提供高频运动约束。
激光 + IMU（LIO）：激光里程计 + IMU 预积分，后端图优化（如 LIO-SAM）。
激光 + 视觉 + IMU：多因子联合优化，提升鲁棒性与精度。
四、主流开源框架对比
五、技术演进与趋势
从滤波到图优化：精度优先，工业界全面转向图优化 / 因子图。
稀疏化与实时性：关键帧筛选、位姿图稀疏化、增量优化（iSAM2），提升大规模场景实时性。
多传感器紧耦合：IMU 预积分、激光 / 视觉 / 雷达融合，适配复杂动态环境。
深度学习赋能：回环检测、特征提取、异常检测，提升鲁棒性与自动化程度。
六、总结
后端本质 ：全局非线性优化，核心是图优化 / 因子图，目标是消除累积漂移、输出全局一致轨迹与地图。
选型建议 ：
低算力 / 小场景：粒子滤波（GMapping）
视觉高精度：BA + 图优化（ORB-SLAM3）
激光建图：位姿图优化（Cartographer）
动态 / 复杂环境：多传感器融合因子图（LIO-SAM/VINS）