前言
这一章的内容架构很不错，有几个该讲的点都解释得比较清楚：1. 最大后验估计在高斯分布下为什么变成了最小二乘问题；2. 协方差矩阵与信息矩阵同边际概率和条件概率分别对应关系；3. SLAM问题的零空间维数以及滑动窗口对零空间的缩放问题
内容
1.最大后验估计在高斯分布下为什么变成了最小二乘问题
首先，后验概率最大化公式如下：
假设观测的随机误差均符合多元高斯分布：
根据零均值的多元高斯分布公式，可以把概率符号转化成纯数学表达（即转化成零均值概率分布后再取log）：
该式的求解可套用最小二乘的模板，求解式如下：
这样，我们就说明了最大后验到最小二乘的转化，以及首次接触到了协方差矩阵的逆（信息矩阵）在SLAM问题中要起到的作用
2.协方差矩阵与信息矩阵同边际概率和条件概率分别对应关系
为什么一个利好边际概率，一个利好条件概率，这在课件中是做了详细推导的，这里我简单梳理一下流程：
首先做前提假设如下：
通过对信息矩阵左乘和右乘初等行变换矩阵，将其处理成如下所示的形式：
代入(31)，然后分别p(a)和p(b|a)如下：
这样我们可以得知，p(a)对应的协方差矩阵就是A，而p(b|a)对应的协方差矩阵是对K的A块做舒尔补之后的结果
延续上面的行变换结果，我们可以写出下面的等式：
那么可以明显看到，p(b|a)对应的信息矩阵就是，而p(a)对应的信息矩阵是左上角行变化成
时等式右边对应的形式：
由此我们说明了整个的对应流程
3. SLAM问题的零空间维数以及滑动窗口对零空间的缩放问题
单目SLAM问题有7自由度不可观：6自由度姿态+尺度
单目+IMU4自由度不可观：yaw角+3自由度位置（IMU的角速度计提供row和pitch角，加速度计提供尺度信息）
滑动窗口新增Pose点时，新计算的矩阵的线性化点是不同于先验信息中的线性化点的，这将使得额外的约束被增加，从而缩小了零空间维数，使得优化时的零空间维数与真实维数不匹配，有可能导致求解器崩溃。
解决办法是FEJ，也就是在新计算的矩阵中涉及到与先验信息相同的Pose的时候，使用相同的线性化点
