GAPSLAM：融合高斯近似与粒子滤波的实时非高斯 SLAM

在 SLAM 中推断后验分布对于评估定位与建图的不确定性，以及支持旨在降低不确定性以实现安全导航的后续规划任务至关重要。然而，实时全后验推断技术，如高斯近似和粒子滤波，要么缺乏表示非高斯后验的表达能力，要么在估计高维后验时遭遇性能退化。受高斯近似与粒子滤波互补优势——分别具有可扩展性与非高斯估计能力——的启发，我们将这两种方法相融合以推断 SLAM 中的边缘后验。具体而言，高斯近似提供机器人位姿分布，粒子滤波以之为条件对其采样地标点边缘分布。作为回报，这些样本中的最大后验点可用于重置高斯近似非线性优化求解器中的线性化点，从而促进全局最优解的求解。我们在真实世界的仅测距 SLAM 和基于物体的仅方位 SLAM 数据集上展示了我们算法用于实时全后验推断的可扩展性、泛化性与准确性。