近幾年點云 slam 領域有一類文章不滿足于僅估計 pose graph。嘗試類似視覺 slam 中的 ba 方法，其致力于同時估計 feature 和 pose。本文內容上僅對比了這些方案在后端部分的差異，但是數據關聯可能是在該類方案中更為重要的問題。

?

PART. 01

π-LSAM（2021）[3]

PART. 02 Eigen Factors（2019）[6]

PART. 03 BALM（2020,2022）[1,2,7]

PART. 04

Plane Adjustment（2020,2021）[4,5]

論文 [5] 考慮滑動窗口下的估計，其增加了邊緣化部分的約束，未邊緣化部分代價同 (13) 。

窗口外的約束的 pose 固定，但邊緣化部分約束仍對 plane 參數求偏導。文中推導了每個 plane 對應邊緣化部分的 reduced 殘差，該殘差對平面參數的導數可以通過增量計算 Hj 后 cholesky 分解得到。

該論文中對比了 BALM。因將墻體、門等平面兩側視為兩個平面進行優化，減少了錯誤的數據關聯，在某些數據集上優于 BALM。

審核編輯：劉清