因子圖

因子圖是一張整潔的圖畫，它把你想求解的東西，和約束這些東西的一條條證據，乾淨地分了開來。它是一張有兩類節點、且兩類永不混在一起的圖——這正是「二部」的意思。一類是變數，也就是你要求解的未知量：機器人在每一時刻所在的位置，以及每個地標在世界中的所在。另一類是因子，也就是一條條證據：每個因子都是從某次測量裡抽出的一條小規則，比如「輪子說我走了一公尺」，或者「攝影機說那棵樹在我左前方三公尺處」。一個因子只連向它真正約束到的那些變數，每有這樣一條約束，就畫一條線。

這張圖畫的妙處在於，它一眼就能讓你看清究竟誰依賴於誰。一個寫著「我在第 12 個位姿處看到了第 7 號地標」的因子，只連接這兩個節點；對於樓那頭第 50 個位姿，它什麼也沒得說。於是這張圖是稀疏的——大多數變數彼此相距很遠、互不相連——而正是這種稀疏，讓 SLAM 求解器能夠跑得很快，因為它可以只對一小簇一小簇緊密相關的東西推理，而不必面對一整團亂麻。每個因子還會悄悄告訴你它對自己那條規則有多篤信，於是當各片證據彼此矛盾時，求解器就知道該信誰。

因子圖和位姿圖是近親：位姿圖本質上就是一種變數只有機器人位姿的因子圖，而更完整的因子圖還把地標也當作變數，並讓許許多多種證據——輪式里程計、攝影機觀測、GPS 定位、一個慣性感測器——都作為不同的因子，插進同一張圖裡。正是這套共通的語言，讓因子圖成了現代 SLAM 的公共骨架：任何能把自己的測量表述成一個因子的感測器，都能加入這場對話。