pose_graph的优化变量和优化函数

1.优化变量

优化变量就是vertex，也就是pose，pose-graph的优化目标就是，调整所有vertex的位置来尽量满足所有边的约束。

上述的还是表层的理解，深一步理解：

pose-graph的边就是残差函数(哎，刚哥说的对呀)，vertex就是优化变量，G2O封装残差函数比较好，直接封装成了边的形式，但是用ceres,残差函数就得自己构建，所以pose-graph的优化目标也就是一般优化问题的目标——残差函数尽可能小。

2.优化函数

可以参考白巧克力的介绍，假如有n个vertex，根据edge的约束，如果建立了n个残差方程（每个方程都是代表着不同vertex之间的关系），那么vertex就只有唯一解。但是通常情况下，一个pose-graph中构建的边都是 > n的，所以就构成了一个超定方程组（沁睿告诉过我的），此时就不存在唯一解了，问题就转化成了一个优化问题——求解所有残差方程的最优解，利用最小二乘就可以求解出尽量满足所有方程的最优vertex，或者用数值解法。

白巧克力的case跟我实际的pose-graph，还是有点区别：

白巧克力说的是通过多传感器，分别构建残差函数，每一个残差方程只有一种传感器/算法的信息，然后求解超定方程组；而我实习所构建的pose-graph的残差方程，每一个方程都是结合了多传感器/算法的结果，比如hobot的pose-graph的每一个残差方程都结合了loam/icp的信息，l3的pose-graph的每一个残差方程都结合了gps/点云feature match的信息。当然hobot和l3的本质一样，区别在于，初始位置一个由loam获得，一个由gps获得；修正信息一个由点云icp配准获得，一个由点云feature match获得。

白巧克力的case跟我实际的pose-graph，当然本质是一样的：

我们的每个方程都是代表着不同vertex（pose）之间的关系。