格物致知

每个特征点独立维护一个深度滤波器（如高斯分布或Beta分布），每次新帧到来时，通过极线搜索找到匹配点并计算候选深度，将其作为观测值对先验分布进行贝叶斯更新。• 核心思想：在多状态约束卡尔曼滤波框架中，维护滑动窗口内的相机状态（位姿、速度、IMU偏差等），利用多帧观测构建几何约束，直接优化系统状态。• 对每个已初始化的特征点，维护其深度的概率分布（如高斯+均匀混合模型）。• 精度高，能联合优化位姿与地图点，考虑多视图的一致性和传感器的紧耦合。• 假设各特征点的深度估计独立，可能忽略多视图几何中的联合约束。

在VIO（视觉惯性里程计）中，IMU和视觉的联合估计存在某些不可观测的状态（如绝对位置和全局航向）。一句话描述：MSCKF中，视觉残差（如特征点重投影误差）的雅可比矩阵会被投影到其零空间的正交补空间上，更新仅作用于可观测部分，抑制了零空间中的虚假修正。：在MSCKF中，视觉残差（如特征点重投影误差）的雅可比矩阵会被投影到其零空间的正交补空间上。，通过数学手段消除状态估计中因运动或观测不足导致的不可观测维度的影响，从而提升滤波器的鲁棒性和估计精度。零空间投影会阻止平移方向的更新，仅更新可观测的姿态和速度。