FGO MythBusters: 解释卡尔曼滤波变体如何在导航应用中等效于FGO
机器人学
2025-11-04 v1
摘要
滑动窗口因子图优化(SW-FGO)因其对非高斯噪声和测量模型非线性的鲁棒近似,在导航研究中受到越来越多的关注.目前已有大量工作比较了SW-FGO与扩展卡尔曼滤波(EKF)的应用性能,但存在一种关于SW-FGO与卡尔曼滤波变体(KFV,如EKF、迭代EKF(IEKF)、鲁棒EKF(REKF)和鲁棒迭代EKF(RIKF))之间理论关系的迷思.本文发现连接SW-FGO与KFV的必要公平条件.基于这些条件,我们提出一种递归FGO(Re-FGO)框架来表示KFV于SW-FGO中的表述.在明确条件下(Markov假设、L2损失下的高斯噪声、单状态窗口),Re-FGO可精确恢复EKF/IEKF/REKF/RIEKF,而SW-FGO在非线性、非高斯 regime 下具有可预测的计算代价优势.最后,在阐明它们之间的联系后,我们强调SW-FGO在实际阶段的独特优势,尤其是在数值估计和深度学习集成方面.本工作使用开源代码和数据,代码地址为https://github.com/Baoshan-Song/KFV-FGO-Comparison.
引用
@article{arxiv.2511.00306,
title = {FGO MythBusters: Explaining how Kalman Filter variants achieve the same performance as FGO in navigation applications},
author = {Baoshan Song and Ruijie Xu and Li-Ta Hsu},
journal= {arXiv preprint arXiv:2511.00306},
year = {2025}
}