第1章 引言 3__eol__ 1.1 机器人领域中的推断问题 22__eol__ 1.2 概率建模 23__eol__ 1.3 生成模型的贝叶斯网络 24__eol__ 1.4 指定概率密度函数 26__eol__ 1.5 在贝叶斯网络中进行模拟 27__eol__ 1.6 最大后验概率推断 28__eol__ 1.7 因子图推断 30__eol__ 1.8 因子图支持的计算 32__eol__ 1.9 路线图 33__eol__ 1.10 文献评论 34__eol__第2章 平滑与地图构建 17__eol__ 2.1 SLAM中的因子图 36__eol__ 2.2 非线性因子图的最大后验概率推断 37__eol__ 2.3 线性化 38__eol__ 2.4 最小二乘问题的直接求解方法 40__eol__ 2.5 最大后验概率推断的非线性优化 42__eol__ 2.5.1 梯度下降法 43__eol__ 2.5.2 高斯–牛顿法 43__eol__ 2.5.3 列文伯格–马夸尔特算法 43__eol__ 2.5.4 Dogleg最小化法 45__eol__ 2.6 文献评论 46__eol__第3章 探索稀疏性 31__eol__ 3.1 关于稀疏性 50__eol__ 3.1.1 启发性的例子 50__eol__ 3.1.2 稀疏雅可比矩阵及其因子图 51__eol__ 3.1.3 稀疏信息矩阵及其图表示 52__eol__ 3.2 消元算法 54__eol__ 3.3 利用变量消元进行稀疏矩阵分解 56__eol__ 3.3.1 稀疏高斯因子 57__eol__ 3.3.2 生成乘积因子 57__eol__ 3.3.3 利用部分QR分解进行变量消元 58__eol__ 3.3.4 多波前QR分解 59__eol__ 3.4 稀疏乔里斯基分解与贝叶斯网络 61__eol__ 3.4.1 线性高斯条件概率密度 61__eol__ 3.4.2 反向替代求解贝叶斯网络 62__eol__ 3.5 讨论 62__eol__ 3.6 文献评论 63__eol__第4章 消元顺序 49__eol__ 4.1 消元的时间复杂度 68__eol__ 4.2 变量顺序的影响 69__eol__ 4.3 填充的概念 72__eol__ 4.4 启发式排序 73__eol__ 4.4.1 最小度排序 73__eol__ 4.4.2 嵌套分割排序 73__eol__ 4.5 机器人领域中的启发式排序 75__eol__ 4.6 嵌套分割和SLAM 78__eol__ 4.7 文献评论 80__eol__第5章 增量平滑与地图构建 65__eol__ 5.1 增量推断 84__eol__ 5.2 更新矩阵分解 86__eol__ 5.3 卡尔曼滤波及平滑 88__eol__ 5.3.1 边缘化 89__eol__ 5.3.2 固定滞后平滑与滤波 90__eol__ 5.4 非线性滤波及平滑 92__eol__ 5.4.1 贝叶斯树 93__eol__ 5.4.2 更新贝叶斯树 94__eol__ 5.4.3 增量平滑与地图构建 97__eol__ 5.5 文献评论 99__eol__第6章 流形上的优化 83__eol__ 6.1 姿态与航向估计 102__eol__ 6.1.1 增量旋转 103__eol__ 6.1.2 指数映射 104__eol__ 6.1.3 局部坐标 104__eol__ 6.1.4 结合朝向信息 106__eol__ 6.1.5 平面旋转 107__eol__ 6.2 位姿SLAM 108__eol__ 6.2.1 位姿表示 109__eol__ 6.2.2 局部位姿坐标 109__eol__ 6.2.3 位姿的优化 110__eol__ 6.2.4 位姿SLAM 111__eol__ 6.3 李群及任意流形上的优化 112__eol__ 6.3.1 矩阵李群 112__eol__ 6.3.2 一般流形与归约 113__eol__ 6.3.3 归约和李群 114__eol__ 6.4 文献评论 115__eol__第7章 应用 99__eol__ 7.1 惯性导航 118__eol__ 7.2 稠密三维地图构建 120__eol__ 7.3 现场机器人学 123__eol__ 7.4 鲁棒估计与非高斯推断 126__eol__ 7.5 长期运行和稀疏化 127__eol__ 7.6 大规模及分布式SLAM 128__eol__ 7.7 总结 132__eol__参考文献 117__eol__附录 A 多波前乔里斯基分解 139__eol__附录 B 李群及其他流形 141__eol__