关于滤波还是图优化

中心思想：不管白猫黑猫，抓到老鼠就是好猫！

卡尔慢滤波（线性/非线性）：一般用于低算力平台，输出实时结果，公式比较简单，一般找到模型就好办，比较考验调PQR的工程经验和功力;

因子图：好处当然是精度提高了，多迭代几次肯定比迭代一次靠谱，这样抑制误差的时间又可以变得更长了。

又有历史数据作为决策，其实卡尔慢滤波也是从历史数据迭代出来的（但不保存历史数据），输出的协方差也可以作为判据使用，所以我觉得这两种就是卡尔慢滤波就平台而言比较通用，因子图是卡尔慢滤波的进化版本。

因子图考验的东西就更多了，第一，模型功力要求高，有依赖库，移植麻烦；第二，协方差可以不用调，但要想办法（找大佬的推导公式）找个基准，第三，一般因子图都放在后端低频率使用，因此占用的内存和算力比较高。

关于滤波和因子图优化在无人系统定位的对比与思考 - 知乎关于无人车的高精度定位问题（特指的是无人车定位，而非建图或者SLAM问题），就目前来看，主要里程碑性质的文章包括（当然有很多公司研发了高精度融合定位技术，没有公开的）: 里程碑1：2007年和2010年斯坦福大学L…https://zhuanlan.zhihu.com/p/127114978?utm_source=wechat_session&utm_medium=social&s_r=0&wechatShare=1新的方案：

【泡泡图灵智库】HybVIO: 突破实时视觉惯性里程计的极限

TODO：

看下数学的拓扑点集