g2o setInformation

在 ORB-SLAM3 的优化代码中，e->setInformation(Info) 这行看似简单，却决定了每条边在优化中的权重，并直接关系到马氏距离计算与卡方离群点检验。下面把它拆开讲透。

1. 它设置的是什么？

2. 代码中的具体赋值

以单目边为例：

cpp

复制代码

const float invSigma2 = pFrame->mvInvLevelSigma2[kpUn.octave];
Eigen::Matrix2d Info = Eigen::Matrix2d::Identity() * invSigma2;
e->setInformation(Info);

3. 为什么这样设计？

ORB-SLAM 在提取特征点时，为每个金字塔层级预设了一个尺度因子 scaleFactor，层级越高，图像被缩得越小，特征点定位的像素误差会相应放大。

这样，高层（粗尺度）的边因为噪声大，信息矩阵的值就小，在优化中的权重自动降低；低层（精细尺度）的边权重更高。这是多尺度特征融合优化的标准做法。

4. 在优化中的作用

点------这完全是基于信息矩阵正确设置了噪声水平的前提。

c. 与鲁棒核协作

Huber 核的阈值 δ 也是基于加权误差（马氏距离）设定的。如果信息矩阵不准确，整个鲁棒框架都会失效。

5. 各向同性假设是否合理？

ORB-SLAM 假设像素两个方向的噪声独立且方差相等，这是一个强假设，但在大多数情况下足够好。如果需要处理更复杂的噪声模型（如仿射噪声），信息矩阵将不再是对角矩阵，需要传入完整的协方差。MLPnP 部分就是考虑完整协方差的例子。

一句话总结 ：setInformation(Info) 为边赋予了基于金字塔层级的噪声权重，使优化器能够按传感器精度合理分配各观测的贡献，并使得卡方检验和鲁棒核正常工作。这是 ORB-SLAM 维持高精度与鲁棒性的基础细节之一。