在Orb-Slam中有三个地图分别是Covisibility Graph，Spanning Graph，以及Essential Graph，它们三个分别是什么意思呢？
首先，图优化是目前视觉SLAM里主流的优化方式。其思想是把一个优化问题表达成图（Graph），以便我们理解、观察。如果题主想更清楚地认识图优化与SLAM的关系，可以参见 深入理解图优化与g2o：图优化篇
一个图中有很多顶点，以及连接各顶点的边。当它们表示一个优化问题时，顶点是待优化的变量，而边是指误差项。我们把各个边的误差加到一起，就得到了整个优化问题的误差函数。
顶点的参数化形式可以有很多不同的样子。例如某些顶点可以表示相机的Pose，另一些顶点可以表示三维空间点。同理，边也有不同的形式。除了个别的顶点和边，我们也关心整个图的结构，例如连通性等。
![]()
举一个不太恰当的例子（图来自FrameSLAM: From Bundle Adjustment to Real-Time Visual Mapping）。图中红色点可看成关键帧相机Pose，青色点表示空间点，蓝色和红色边表示Pose-Pose的边，而黄色边表示Pose-Point的边。（虽然这可能不是原图的意思，但我希望通过这个图可以帮助题主理解。）
---------------------------
你问题当中的Covisibility Graph, Essential Graph，都是不同图的形式。Spanning graph理解成生成树更好一些。
如果我们考虑所有的相机 Pose 和所有点的空间位置，构造出的图将会非常复杂，而难以直接进行实时优化。因此，通常我们会构建一些带有特殊结构的图，以满足实时性的需要。
最简单的是Pose Graph。如果我们对特征点的空间位置并不关心，就可以构建只带有Pose结点，以及Pose-Pose边这样的图。由于一个照片中常常有上千个特征点，这样做可以节省许多计算量。
Covisilibilty Graph 的顶点是相机的Pose，而边是Pose-Pose的变换关系——所以也算是Pose Graph 一种吧。当两个相机看到相似的空间点时，它们对应的Pose就会产生联系（我们就可以根据这些空间点在照片上的投影计算两个相机间的运动）。根据观测到的空间点的数量，给这个边加上一个权值，度量这个边的可信程度。
Essential Graph 比Covisibility Graph更为简单，ORB-SLAM主要用它来进行全局优化。为了限制优化的规模，ORB-SLAM试图尽量减少优化边的数量。而尽量减少边，又保持连通性的方法，就是做一个最小生成树。
Covisibility 是一直在用的概念，而Essential Graph是orbslam自己提出的概念，为了减小全局回环的计算量。当你自己实现SLAM时，也会碰到这些困难，并设计一些应对的策略，这些就是你的创新性。事实上，随着SLAM时间的增长，如何控制图的结构和优化的规模，仍是现在SLAM有待解决的一个问题。
【版权声明】泡泡机器人SLAM的所有文章全部由泡泡机器人的成员花费大量心血制作而成的原创内容，希望大家珍惜我们的劳动成果，转载请务必注明出自【泡泡机器人SLAM】微信公众号，否则侵权必究！同时，我们也欢迎各位转载到自己的朋友圈，让更多的人能进入到SLAM这个领域中，让我们共同为推进中国的SLAM事业而努力！
【注】商业转载请联系刘富强（[email protected]）进行授权。普通个人转载，请保留版权声明，并且在文章下方放上“泡泡机器人SLAM”微信公
众账号的二维码即可。
![]()
【编辑】Brad Lucas
