视觉位姿图：边从哪来

1. 边不是越多越好

视觉惯性里程计与视觉里程计和后端的边界常画在位姿图上。弱匹配边配上错误信息矩阵，比没有边更糟——地图拧成自信的错误形状，比漂移更难调试。前端给后端的不只是位姿，还有 边的质量与权重；后者常被忽略。

2. 节点与边从哪来

节点：关键帧位姿 $T_{i} \in S E (3)$ 。连续视觉里程计边：匹配 → 本质矩阵 → 恢复位姿 → 相对变换 $Δ T_{ij}$ 。回环边：词袋候选 → 匹配 → 位姿估计或相似变换几何验证。惯性单元（视觉惯性）：预积分边（另一套协方差）。

OpenCV 侧典型流程：

python

E, mask = cv2.findEssentialMat(pts1, pts2, K, method=cv2.RANSAC, prob=0.999, threshold=1.0)
_, R, t, mask_pose = cv2.recoverPose(E, pts1, pts2, K, mask=mask)

检索、验证、加边三步缺一不可。词袋候选直接加边是地图拧曲的常见路径。连续边来自相邻关键帧，视差通常足够；回环边假阳性率高，必须几何验证——本质矩阵内点、三角化正深度、中位视差角度缺一不可。

3. 信息矩阵别填单位阵

误用单位阵等于说所有边同等可靠。实践：按内点数、平均视差、匹配分布设信息矩阵 $Ω$ 。因子图优化库设置信息矩阵；非线性最小二乘用平方根信息。

粗规则：内点少或视差小 → 更大不确定度（更小信息）。回环候选要求内点超阈值且三角化正深度比例超九成才加边。单目尺度漂移时回环用相似变换，尺度错会压扁地图。

4. 优化与鲁棒核

g2o 图可视化能直观看到哪条回环边在拉地图——比只看优化后轨迹误差更有诊断价值。Huber 核的 delta 对连续边和回环边应区别对待，别一套参数走天下。

5. 失败模式

现象	原因
地图拧	错误回环加高信息
漂移	边太少或视觉里程计断
抖动	过拟设噪声边

6. 连续边与回环边的区别

连续视觉里程计边来自相邻关键帧匹配，视差通常足够，信息矩阵可按内点数和平均视差设。回环边来自词袋检索候选，假阳性率远高于连续边，必须几何验证后才能加入：本质矩阵内点、三角化正深度比例、中位视差角度。单目尺度漂移时回环用相似变换边，尺度估错会把地图 Z 向压扁。惯性预积分边有独立协方差，与视觉边信息矩阵不可混填。

7. 案例：假回环压扁地图

单目视觉里程计在相似走廊误检回环，词袋分数高但几何验证偷懒，信息矩阵填单位阵。优化后地图 Z 向被压扁两米，定位在闭环处跳变。补几何验证（本质矩阵内点大于三十、中位视差大于三度）并降权可疑回环后恢复。

8. 验收

优化前后卡方；回环边内点重投影；人工检查闭环处地图。协方差是否与实际视觉里程计噪声量级一致（可仿真）。

位姿图是 稀疏约束集合。边的质量和权重定义了优化能不能信——信息矩阵是契约，不是填单位阵的占位符。优化前后对比最大边残差，比只看最终轨迹误差更能定位问题边。