FEJ和可观性

单目系统6自由度位姿和1尺度共计7自由度不可观

单目+imu系统 3自由度位移和yaw共计4自由度不可观

边缘化的问题在于，线性点不一致，会导致零空间发生变化，从而使本来不可观的可观了，可观并不是好事

从2D的EKF开始：

注意，不同的线性化的点会导致雅克比矩阵不同，那么就会导致能观性矩阵不同

在理想的线性点，就是真值上，能观性矩阵的零空间是3维的，正等于不可观的维度   （3自由度系统，也就是二维机器人）

而在实际，一般是在最新的状态上泰勒展开，从而零空间维度为2，把原来不可观的维度变得可观了，也就是yaw的维度

从而，滤波器获得了关于yaw（全局方向）的本质上不存在的信息，会导致方向不确定性的不合理的降低了（也就是，实际上方向不确定性很高，但是现在非常不合理的这个不确定性降低了），从而进一步降低了所有状态变量的不确定性（不合理的），从而导致不一致

注意，使用FEJ策略，就是在第一次估计值附近展开，这确实会导致线性化点和真值的误差相对较大（因为线性化点不会迭代更新了）但是能保证能观性矩阵和理想系统一样

来到VIO和滑动窗口：

VIO系统4自由度不可观，如果不使用FEJ策略，最后会变成3自由度不可观，变得可观的自由度也是yaw

OKVIS和DSO都采用了FEJ策略，VINS-MONO没有采用这种策略

在滑动窗口方法时，当有一个新的帧进来，我们边缘化掉一个帧，肯定不能直接丢，得把先验信息加入

解释一下：xm是要边缘化的变量，xb是剩下的变量中与xm有关的（先验信息就加在xb上），xr是和xm完全无关的

先验信息只是数，没有解析式，不能随着迭代更新的进行再重新计算雅克比