後端優化兩種主要方法：
1.濾波（早期）
基於濾波方法:
（一）擴展卡爾曼濾波（視覺SLAM）
卡爾曼濾波（Kalman filter）一種利用線性系統狀態方程，通過系統輸入輸出觀測數據，對系統狀態進行最優估計的算法。
（二）粒子濾波（GMapping）
（三）高斯濾波（Hector-SLAM）
優勢：適合激光SLAM
缺點：計算量大，不適合大型場景
2.圖優化（graph-based slam）
過程：
構建圖 - >> 優化圖
構建圖：（前端（front-end））
機器人位姿當做頂點，位姿間關係當做邊。一般爲傳感器信息的堆積。
優化圖：（後端（back-end））
調整機器人位姿頂點儘量滿足邊的約束。
優化圖工具：g2o（General Graphic Optimization ）
優勢：適合視覺SLAM
缺點：計算效率高