在概率机器人学和视觉SLAM中，协方差矩阵（Covariance Matrix） 与信息矩阵（Information Matrix） 是一对"互为倒数"的概念。它们从正反两个角度描述同一个高斯分布，理解它们的区别是吃透MLPnP和BA优化的关键。
形象比喻：
-
协方差就像"橡皮筋"，数字大表示橡皮筋松垮，长度变化范围大。
-
信息矩阵就像"弹簧的劲度系数"，数字大表示弹簧极硬，拉动它需要的力极大。
在优化中，信息矩阵是代价函数中的权重矩阵。一个观测值的信息矩阵越大，权重越大，意味着它越"硬"，优化器越不敢偏离它。
正因为信息矩阵 ΩΩ 是"惩罚力度"（即弹簧硬度），所以：
-
信息矩阵数值大 → 弹簧硬 → 稍微偏一点就重罚 → 惩罚力度大。
-
信息矩阵数值小 → 弹簧软 → 偏很多也没事 → 惩罚力度小。
💎 终极记忆法（以这次修正为准）
-
协方差（ΣΣ） ：大 = 范围大 = 烂数据。
-
信息矩阵（ΩΩ） ：大 = 精度高 = 好数据（优化器绝对不敢得罪它）。
-
铁律（以此为准）
-
协方差 ΣΣ 大 → 噪声大 → 不可信（权重低）。
-
信息矩阵 Ω=Σ−1Ω=Σ−1 大 → 协方差小 → 可信（权重高）。