位姿图优化（图优化 SLAM）

位姿图优化，是一种寻找机器人最可能走过的路径的方法：它把整段旅程当作一张由相连节点构成的网络，再轻轻地挪动每个节点，直到所有连接都尽可能地“满意”。每一个“位姿”，是机器人在某一时刻所在位置及朝向的一张快照，画成一个点。在两个点之间，机器人画一条边，记录一条约束：一种带测量的信念，比如“我大约往前走了两米、稍微向左转了一点，才从这里到了那里”。把许多位姿串在一起，就得到一张图——一串由这些相对运动的边连接起来的点。

大多数边连接的，是一个位姿和紧随其后的那一个，也就是逐步行驶的寻常记录。但真正特殊而有力的边，是回环检测加进来的那些：“这个晚得多的位姿，其实又回到了那个早得多的位姿所在的同一个地方。”此时这张图就被过度约束了——约束比可以松动的余地还多——而它们会彼此冲突，因为每一次测量都带着一点误差。优化，就是把所有位姿同时滑动，挪到那个唯一的布局：让被违背的约束尽可能地少、违背的程度尽可能地小，就像一团乱糟糟的弹簧，最终安顿成总张力最低的那个形状。每条边都是一根弹簧，答案就是整张网静止下来时的姿态。

这种“图 SLAM”的视角之所以流行，是因为它把一个杂乱的问题拆成了两件干净的活：先搭建这张图（决定哪些位姿相连、连得有多紧），再求解它（找出最佳的布局）。求解这一步可以借助快速而成熟的数学，因为这张图大体上是局部的——每个位姿只跟少数几个邻居相连——所以即便有成千上万个位姿，也能在不到一秒里被平衡好。