●第1章 引言3
1.1 機器人領域中的推斷問題22
1.2 概率建模23
1.3 生成模型的貝葉斯網絡24
1.4 指定概率密度函數26
1.5 在貝葉斯網絡中進行模擬 27
1.6 優選後驗概率推斷28
1.7 因子圖推斷30
1.8 因子圖支持的計算32
1.9 路線圖33
1.10 文獻評論34
第2章 平滑與地圖構建17
2.1 SLAM中的因子圖36
2.2 非線性因子圖的優選後驗概率推斷37
2.3 線性化38
2.4 最小二乘問題的直接求解方法 40
2.5 優選後驗概率推斷的非線性優化42
2.5.1 梯度下降法43
2.5.2 高斯？牛頓法43
2.5.3 列文伯格？馬誇爾特算法43
2.5.4 Dogleg最小化法45
2.6 文獻評論46
第3章 探索稀疏性31
3.1 關於稀疏性50
3.1.1 啟發性的例子50
3.1.2 稀疏雅可比矩陣及其因子圖51
3.1.3 稀疏信息矩陣及其圖表示52
3.算法 54
3.3 利用進行稀疏矩陣分解56
3.3.1 稀疏高斯因子57
3.3.2 生成乘積因子57
3.3.3 利用部分QR分解進行 58
3.3.4 多波前QR分解59
3.4 稀疏喬裡斯基分解與貝葉斯網絡61
3.4.1 線性高斯條件概率密度61
3.4.2 反向替代求解貝葉斯網絡62
3.5 討論62
3.6 文獻評論63
第4順序49
4.的時間復雜度68
4.2 變量順序的影響69
4.3 填充的概念72
4.4 啟發式排序73
4.4.1 最小度排序73
4.4.2 嵌套分割排序73
4.5 機器人領域中的啟發式排序75
4.6 嵌套分割和SLAM78
4.7 文獻評論80
第5章 增量平滑與地圖構建65
5.1 增量推斷84
5.2 更新矩陣分解 86
5.3 卡爾曼濾波及平滑88
5.3.1 邊緣化89
5.3.2 固定滯後平滑與濾波90
5.4 非線性濾波及平滑92
5.4.1 貝葉斯樹93
5.4.2 更新貝葉斯樹94
5.4.3 增量平滑與地圖構建 97
5.5 文獻評論99
第6章 流形上的優化83
6.1 姿態與航向估計102
6.1.1 增量旋轉103
6.1.2 指數映射104
6.1.3 局部坐標104
6.1.4 結合朝向信息106
6.1.5 平面旋轉107
6.2 位姿SLAM108
6.2.1 位姿表示109
6.2.2 局部位姿坐標109
6.2.3 位姿的優化110
6.2.4 位姿SLAM111
6.3 李群及任意流形上的優化112
6.3.1 矩陣李群112
6.3.2 一般流形與歸約113
6.3.3 歸約和李群114
6.4 文獻評論115
第7章 應用99
7.1 慣性導航118
7.2 稠密三維地圖構建120
7.3 現場機器人學123
7.4 魯棒估計與非高斯推斷126
7.5 長期運行和稀疏化127
7.6 大規模及分布式SLAM128
7.7 總結132
參考文獻117
附錄 A 多波前喬裡斯基分解139
附錄 B 李群及其他流形141

本書介紹在人工智能時代，用來建模和求解大規模機器人推斷問題所使用的因子圖。重點介紹解決機器人面臨的大規模推理問題，以及部署機器人的相關知識。因子圖相關知識（概率圖模型的一種）是機器人感知中至關重要的一環，而機器人感知是機器人領域很難的技術點。希望本書能給讀者帶來啟發。

(美)弗蘭克·德爾阿特(Frank Dellaert),(美)邁克爾·克斯(Michael Kaess) 著 劉富強,董靖 譯