* 边负责计算残差，残差是 预测-观测，维度在构造函数中定义 * 代价函数是 残差*信息*残差，是一个数值，由后端求和后最小化 */

* Cauchy loss * */

forward declarations

误差模型 模板参数：观测值维度，类型，连接顶点类型

曲线模型的顶点，模板参数：优化变量维度和数据类型

* 此边是IMU误差，此边为4元边，与之相连的顶点有：Pi Mi Pj Mj */

* 此边是视觉重投影误差，此边为三元边，与之相连的顶点有： * 路标点的逆深度InveseDepth、第一次观测到该路标点的source Camera的位姿T_World_From_Body1， * 和观测到该路标点的mearsurement Camera位姿T_World_From_Bod

* 仅计算重投影pose的例子 */

* 此边是视觉重投影误差，此边为二元边，与之相连的顶点有： * 路标点的世界坐标系XYZ、观测到该路标点的 Camera 的位姿T_World_From_Body1 * 注意：verticies_顶点顺序必须为 XYZ、T_World_From_Body1。 */

* EdgeSE3Prior，此边为 1 元边，与之相连的顶点有：Ti */

* Huber loss * * Huber(e) = e^2 if e <= delta * huber(e) = delta*(2*e - delta) if e > delta */

image for vio

imu for vio

This class help you to calibrate extrinsic rotation between imu and camera when your totally don't konw the extrinsic parameter */

* compute the scaling factor for a error: * The error is e^T Omega e * The output rho is * rho[0]: The actual scaled error value *

* 平凡的Loss，不作任何处理 * 使用nullptr作为loss function时效果相同 * * TrivalLoss(e) = e^2 */

* @brief 顶点，对应一个parameter block * 变量值以VecX存储，需要在构造时指定维度 */

* 以逆深度形式存储的顶点 */

* @brief 以xyz形式参数化的顶点 */

* Pose vertex * parameters: tx, ty, tz, qx, qy, qz, qw, 7 DoF * optimization is perform on manifold, so update is 6 DoF, left multiplication * * p

* SpeedBias vertex * parameters: v, ba, bg 9 DoF * */