1. svo 的深度滤波和 msckf 的后端的点的优化的差异是什么？delayinit和depthfilter之间的差异是什么？
1.1 SVO的深度滤波与MSCKF后端优化的差异是什么？
SVO的深度滤波
• 核心思想：基于概率模型递推更新特征的深度估计。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。
• 实现方式：
• 使用直接法跟踪关键点，不依赖描述子匹配。
• 深度估计是递增更新的，融合多帧观测逐步收敛。
• 计算轻量，无需全局优化，实时性高。
• 优势与局限：
• 轻量高效，适合高帧率场景，但依赖运动视差来收敛深度。
• 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。
MSCKF的后端点优化
• 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。
• 实现方式：
• 通过重投影误差定义视觉约束，与IMU预积分结果共同构成目标函数。
• 使用非线性优化（如LM算法）批量调整滑窗内的所有状态和特征点位置，类似局域Bundle Adjustment。
？)
