因子图

因子图是一张整洁的图画，它把你想求解的东西，和约束这些东西的一条条证据，干净地分了开来。它是一张有两类节点、且两类永不混在一起的图——这正是“二部”的意思。一类是变量，也就是你要求解的未知量：机器人在每一时刻所在的位置，以及每个地标在世界中的所在。另一类是因子，也就是一条条证据：每个因子都是从某次测量里抽出的一条小规则，比如“轮子说我走了一米”，或者“摄像头说那棵树在我左前方三米处”。一个因子只连向它真正约束到的那些变量，每有这样一条约束，就画一条线。

这张图画的妙处在于，它一眼就能让你看清究竟谁依赖于谁。一个写着“我在第 12 个位姿处看到了第 7 号地标”的因子，只连接这两个节点；对于楼那头第 50 个位姿，它什么也没得说。于是这张图是稀疏的——大多数变量彼此相距很远、互不相连——而正是这种稀疏，让 SLAM 求解器能够跑得很快，因为它可以只对一小簇一小簇紧密相关的东西推理，而不必面对一整团乱麻。每个因子还会悄悄告诉你它对自己那条规则有多笃信，于是当各片证据彼此矛盾时，求解器就知道该信谁。

因子图和位姿图是近亲：位姿图本质上就是一种变量只有机器人位姿的因子图，而更完整的因子图还把地标也当作变量，并让许许多多种证据——轮式里程计、摄像头观测、GPS 定位、一个惯性传感器——都作为不同的因子，插进同一张图里。正是这套共通的语言，让因子图成了现代 SLAM 的公共骨架：任何能把自己的测量表述成一个因子的传感器，都能加入这场对话。