DSO: 联合优化概率模型和参数，实现精准相机位姿估计与稀疏地图重建

直接稀疏里程计 (Direct Sparse Odometry, DSO) 是一种通过最小化光度误差来估计相机位姿和稀疏地图的方法。它是基于稀疏特征点的方法，相比于稠密特征点，可以更高效地进行计算和优化。\n\n在DSO中，联合优化概率模型和所有涉及的模型参数是通过最小化光度误差来实现的。光度误差是通过比较每个特征点在当前帧和参考帧之间的灰度差异来计算的。优化过程中，通过调整相机位姿、相机内参和几何参数，使得光度误差最小化。\n\n具体来说，DSO使用非线性优化方法 (如高斯牛顿法或Levenberg-Marquardt算法) 来最小化光度误差。在优化过程中，相机位姿和稀疏地图的特征点位置和深度值被同时优化。相机内参和几何参数也可以被优化，以进一步提高估计的准确性。\n\n通过联合优化概率模型和所有涉及的模型参数，DSO可以提供准确的相机位姿估计和稀疏地图重建。它在实时SLAM (同时定位与地图构建) 任务中具有很高的效率和精度，并已在许多机器人和自动驾驶应用中得到广泛应用。