本书作者是促成SLAM从经典卡尔曼滤波形式向图优化模型转变的关键人物，在SLAM领域的造诣非常深厚，此书是他们在因子图上的研究成果的汇集和整理，是一本非常好的SLAM方面的书籍。
本书共通过7章，深入浅出地介绍了因子图数学定义、推断方法，以及真实环境中机器人上的各种应用。在涵盖了详细的背景知识及数学论证的同时，提供了充足的SLAM应用案例以供读者参考。
第1 章引言3
1.1 机器人领域中的推断问题 4
1.2 概率建模 5
1.3 生成模型的贝叶斯网络 6
1.4 指定概率密度函数 8
1.5 在贝叶斯网络中进行模拟 9
1.6 最大后验概率推断 10
1.7 因子图推断 12
1.8 因子图支持的计算 14
1.9 路线图 15
1.10 文献评论 16
第2 章平滑与地图构建17
2.1 SLAM 中的因子图 18
2.2 非线性因子图的最大后验概率推断 19
2.3 线性化 20
2.4 最小二乘问题的直接求解方法 22
机器人感知：因子图在SLAM 中的应用
2.5 最大后验概率推断的非线性优化 24
2.5.1 梯度下降法 25
2.5.2 高斯–牛顿法 25
2.5.3 列文伯格–马夸尔特算法 25
2.5.4 Dogleg 最小化法 27
2.6 文献评论 28
第3 章探索稀疏性31
3.1 关于稀疏性 32
3.1.1 启发性的例子 32
3.1.2 稀疏雅可比矩阵及其因子图 33
3.1.3 稀疏信息矩阵及其图表示 34
3.2 消元算法 36
3.3 利用变量消元进行稀疏矩阵分解 38
3.3.1 稀疏高斯因子 39
3.3.2 生成乘积因子 39
3.3.3 利用部分QR 分解进行变量消元 40
3.3.4 多波前QR 分解 41
3.4 稀疏乔里斯基分解与贝叶斯网络 43
3.4.1 线性高斯条件概率密度 43
3.4.2 反向替代求解贝叶斯网络 44
3.5 讨论 44
3.6 文献评论 45
第4 章消元顺序49
4.1 消元的时间复杂度 50
4.2 变量顺序的影响 51
4.3 填充的概念 54
4.4 启发式排序 55
4.4.1 最小度排序 55
4.4.2 嵌套分割排序 55
4.5 机器人领域中的启发式排序 57
4.6 嵌套分割和SLAM 60
4.7 文献评论 62
第5 章增量平滑与地图构建65
5.1 增量推断 66
5.2 更新矩阵分解 68
5.3 卡尔曼滤波及平滑 70
5.3.1 边缘化 71
5.3.2 固定滞后平滑与滤波 72
5.4 非线性滤波及平滑 74
5.4.1 贝叶斯树 75
5.4.2 更新贝叶斯树 76
5.4.3 增量平滑与地图构建 79
5.5 文献评论 81
第6 章流形上的优化83
6.1 姿态与航向估计 84
6.1.1 增量旋转 85
6.1.2 指数映射 86
6.1.3 局部坐标 86
6.1.4 结合朝向信息 88
6.1.5 平面旋转 89
6.2 位姿SLAM 90
6.2.1 位姿表示 91
6.2.2 局部位姿坐标 91
6.2.3 位姿的优化 92
6.2.4 位姿SLAM 93
6.3 李群及任意流形上的优化 94
6.3.1 矩阵李群 94
6.3.2 一般流形与归约 95
6.3.3 归约和李群 96
6.4 文献评论 97
第7 章应用99
7.1 惯性导航 100
7.2 稠密三维地图构建 102
7.3 现场机器人学 105
7.4 鲁棒估计与非高斯推断 108
7.5 长期运行和稀疏化 109
7.6 大规模及分布式SLAM 110
7.7 总结 114
参考文献117
附录A 多波前乔里斯基分解139
附录B 李群及其他流形141
——Frank & Michael——
Factor graphs provide a framework for thinking about perception and sensor fusion problems in both Robotics and Computer Vision. We wrote this article to provide a tutorial introduction to factor graphs and how insight in their (sparse) structure leads to efficient sensor fusion algorithms. In addition, we survey several applications in which factor graphs have been used with great success to enable autonomy on the road, in the air, and even underwater. We could not be happier that a Chinese translation of our text will now be available and enable many more people to discover and use factor graphs in their own robotics projects.
——浙江大学 章国锋教授——
近年来增强现实和自动驾驶异常火热，其中的关键技术SLAM 也因而备受关注。SLAM 里的一个核心问题是如何对设备的位姿和构建的地图进行高效优化，而基于因子图的优化是其中常用的方法。本书的作者Frank Dellaert 和Michael Kaess 在SLAM 领域的造诣非常深厚，此书是他们师生二人多年来在因子图上的研究成果的汇集和整理，讲解系统深入，翻译也很到位，是一本非常好的SLAM 方面的书籍。
——MIT Wanda——
“Factor Graphs for Robot Perception” has been meticulously translated by two experts on SLAM technology, Fuqiang Liu of Harbin Engineering University and Jing Dong of the Georgia Institute of Technology. Fuqiang Liu is the founder of the world’s largest think tank on SLAM technology, where he regularly leads SLAM discussions in both English and Chinese. Jing Dong is currently conducting SLAM research led by one of the book’s original English authors, Dr. Frank Dellaert. I highly recommend this translated version of “Factor Graphs for Robot Perception”.
——PerceptIn 创始人，《第1本无人驾驶技术书》作者 刘少山——
Frank Dellaert 与Michael Kaess 是机器人行业大家，他们两位在机器人感知方向有多年经验及很深的理解。本书中，Frank 与Michael 深入浅出地介绍了因子图数学定义、推断方法，以及真实环境中机器人上的各种应用。本书对于希望深入研究SLAM 技术的专业人士很有帮助。对无人驾驶应用感兴趣的读者可以深入了解本书中关于因子图在惯性导航及地图构建方面的应用范例。
——国防科技大学 王维博士——
随着ROS 操作系统的大范围普及，SLAM 这个在学界广泛探讨的话题逐渐褪去神秘面纱，呈现在公众视野中，但是其复杂性往往令初学者望而却步。Frank Dellaert 和Michael Kaess 两位大师是促成SLAM 从经典卡尔曼滤波形式向图优化模型转变的关键人物。本书从因子图的角度出发，以深入浅出的直观概念阐述了图优化模型中的非线性优化算法、稀疏矩阵表示等问题，提供给初学者一把打开SLAM 大门的金钥匙。译者以广博的知识和丰富的经验，将原文的内涵和精髓准确地表达出来，对于国内机器人领域的科技人员和相关从业人员都有非常巨大的帮助和推动作用。
——百度资深研发工程师 刘浩敏——
SLAM 是移动机器人应用中一项至关重要的技术，也是机器人领域一个经典而古老的问题，对此进行的研究已超过30 年，可以说理论已趋于成熟。但在实际应用中，仍难免会遇到各种意想不到的问题。深入理解SLAM 背后的数学原理，是分析、解决这些问题的必经之路。本书深入介绍了SLAM 背后的诸多概率、优化方面的原理和算法，兼具理论和实践价值，值得一读。
——阿里巴巴天猫事业部互动技术专家 蒋佳忆——
本书对SLAM 算法相关的理论和数学基础工具有非常详细的讲解，通俗易懂，且覆盖全面，全书讲授的思路连贯并且具备很好的深度，非常适合对SLAM 算法有一定基础，希望深入学习理论并开展研究工作的同学。整书翻译流畅，逻辑关系清晰，是值得阅读的佳作。
——北京理工大学智能机器人研究所 孔祥战博士——
智能机器人时代的到来，离不开核心技术的支撑，而SLAM 就是其中之一。
它关系到机器人运动时“在哪里，去哪里，如何去”，是机器人运动智能的关键。本书聚焦的基于因子图对机器人位置和姿态及地图构建的高效优化有非常强的科研和应用价值。本书讲解系统深入，是SLAM 领域难得的一本好书。