綜述：對於EKF-SLAM需要對已存在的環境特徵點和機器人本身，計算一個符合高斯分佈的後驗概率

模型，不幸的是EKF-SLAM計算需要很大的記憶體空間，並且隨著路標的增加，記憶體需求和計算量成平

方倍增長，計算量大約為路標N的平方。對於EKF-SLAM只能處理包含幾百個特徵點（路標資訊）的

地圖。

    1.我們在EKF-SLAM方法的基礎上，在本文中我們提出一種SLAM演算法用最近特徵點

之間的資訊，和地圖中特徵點與機器人位置的資訊表示成一個後驗概率函式（或者

說與後驗概率函式匯出的轉移矩陣）。這種方法稱為擴充套件資訊濾波（EIF），這個濾

波器包含了一個資訊矩陣，我們在EIF的基礎上，提出了一種稀疏擴充套件資訊濾波，這

是本文所做的貢獻。

我們來看稀疏擴充套件資訊濾波，SLAM演算法的後驗分佈概率函式由地圖中臨近結點的相對

連結決定，我們來舉一個例子。

在圖1的左邊，是機器人和它周圍50個路標的位置資訊，中間部分是機器人和它

路標的標準化協方差，右圖是歸一化後的轉移矩陣。

我們發現歸一化後的資訊矩陣是十分稀疏的，這引導我們尋找一種方法，用稀疏

的轉移矩陣來表示SLAM的過程。

下面我們來看圖2：

我們發現，不同於圖1，此時機器人只跟特定的路標相關聯（表現在圖中為黑色實心圓）

，這些點被稱為活動特徵點，我們發現儲存一個稀疏資訊矩陣，轉移矩陣的大小現在

只跟特徵點數目線性成比例（而不是原來的平方成比例）.

2.首先介紹EIF

EIF的轉移矩陣如上圖所示，轉移矩陣的大小與路標N，構成一個N*N的矩陣，因此在

密集型的資訊矩陣中，計算量的大小與路標N的平方成比例。

（1）對於EIF的測量資訊更新

從圖a到b的過程中，機器人在a圖中觀測到了路標y1，而在圖b中新增了觀測路標y2,

對於EIF，每一個觀測路標之間，以及觀測路標與機器人之間都是相關的，因此轉移矩陣中

增加了機器人與路標之間的聯絡資訊.

（2）對於EIF進行位置更新

我們發現從圖a到圖b中，根據a中路標的位置和路標轉移矩陣，確定了y1,y2之間的聯絡.

即確定了已有路標之間的相關性。

          3.對於SEIF

對於密集的擴充套件資訊矩陣，所有觀測到的路標都與機器人相聯絡，而在稀疏擴充套件資訊矩

陣中，我們定義了一個約束變數X，X表示與機器人相關的路標的約束數目，約束變數y表

示路標之間的相關性約束！

好處：減少運算量，而且誤差也不會有太大的變化(相比於密集型的擴充套件資訊矩陣）

我們來看對比a和b圖，我們發現，a是密集型的擴充套件資訊矩陣與b不同的是，b中的

y1與路標是不相連的（因為我們定義了約束變數x），因此在b中的轉移矩陣中，缺

少了y1xt和xty2項，矩陣由密集變為稀疏，減少了儲存空間和計算量。

    4.比較SEIF與VIO的模擬結果

    在第一次的模擬實驗中，我們對比了VIO和SEIF，我們模擬的資料集中，假設一個汽

車在一個載滿樹的公園裡面運動，汽車上裝了一個鐳射測距器以及測試轉向角和汽車速度的裝置，

    我們可以看到如果直接用vio，我們理論上希望的是採用鐳射測距器觀測到樹作為我們的路

標，但是實際情況下，其他的影響（比如道路上的其他汽車？）會引入額外的誤差，使得我們所

繪製的運動模型與理論相差太遠。

  但是如果採用了SEIF情況則會改變，在短短的3.5KM的運動中，相比於GPS精準定位，SEIF的定

位誤差在0.5米左右。下圖為在模擬過程中實際觀察到的路標資訊。