机器人与计算机视觉领域优化库
GTSAM 是面向机器人与计算机视觉领域的开源 C++ 库，依托因子图与贝叶斯网络实现建图与位姿跟踪。该库同时提供 Python、MATLAB 接口，支持多语言调用。借助它，你无需从零开发，就可以搭建精度更高、效率更优的导航、SLAM、惯性测量单元（IMU）数据处理系统。
GTSAM（全称 Georgia Tech Smoothing and Mapping Library）是机器人与计算机视觉领域极具影响力的开源 C++ 状态估计与非线性优化库。
它最初由美国佐治亚理工学院（Georgia Tech）著名的 Frank Dellaert 教授团队（Borg Lab）开发，是解决 SLAM（同步定位与建图）、传感器融合 和 SFM（运动恢复结构） 问题的工业级基石。
1. 它的核心理念：因子图（Factor Graph）传统的状态估计（如卡尔曼滤波 EKF）通常只维护当前状态与协方差，容易丢失历史约束，且对非线性问题容易发散。
GTSAM 的底层范式是因子图（Factor Graph）与贝叶斯网络（Bayes Network）：
变量节点（Variables）： 你想求解的未知量，例如机器人随时间变化的轨迹位姿（SE(3)SE(3)SE(3)）、路标点坐标（3D Landmarks）、IMU 零偏（Bias）等。因子节点（Factors）： 传感器观测带来的概率约束，例如激光雷达匹配残差、视觉重投影误差、GPS 位置读数、轮式里程计位移等。求解机制： 将定位与建图问题形式化为一个最大后验概率估计（MAP）问题，通过非线性最小二乘算法（高斯-牛顿法、列文伯格-马夸特 LM、Powell 狗腿法等）在李代数/流形（Manifold）上迭代求解最优状态。
2. 核心功能与杀手级特性李群与流形优化（Manifold Optimization）： 原生支持 SO(3)SO(3)SO(3)、SE(3)SE(3)SE(3) 等旋转与位姿的流形运算，无需手动处理奇异性（如欧拉角死锁），求导与更新都在切空间（Tangent Space）完成。IMU 预积分（IMU Preintegration）： 实现了 Foster/Carlone 等人提出的著名 IMU 流形预积分算法（包括连续时间积分、协方差传递与 Bias 更新），是现代 VIO（如 VINS-Mono）和 LIO（如 LIO-SAM）最常用的 IMU 处理后端。增量式平滑与建图（iSAM2）： 配合 Bayes Tree 数据结构，当有新传感器数据到来时，无需重新优化整条历史轨迹，只需局部更新受影响的子树，实现极高帧率的实时在线 SLAM。跨语言支持： 底层为高效的 C++（支持 Eigen、TBB 多线程加速），同时提供了成熟的 Python 和 MATLAB 绑定（Wrapper），方便快速进行算法原型验证。3. 常见应用场景与代表开源项目领域
常见应用
基于 GTSAM 的著名开源项目
激光 SLAM
激光雷达 + IMU + GPS 多传感器紧耦合融合
LIO-SAM、LeGO-LOAM 后端、FAST-LIO2（常用作后端优化扩展）
视觉 SLAM / VIO
单/双目相机 + IMU 的位姿跟踪与地图构建
视觉里程计紧耦合后端、大规模 Bundle Adjustment (BA)
机器人多源融合
轮速计、UWB、GPS、磁力计的多传感器融合定位
各类移动机器人导航系统定位框架
4. 适合什么时候用它？如果你需要做一个机器人多传感器融合系统（例如同时融合轮速计、IMU、GPS、激光雷达/视觉位姿）；如果你在做 SLAM 后端优化，需要高效求解大尺度的非线性最小二乘问题；相比于 Google 的 Ceres Solver（更偏通用的数值优化库），GTSAM 专门针对机器人几何学、流形表示、位姿图与增量优化做了更高级别的语义封装。Github搜索gtsam