参考博文：gtsam：从入门到使用
1：是什么：
GTSAM是用于计算机视觉和多传感器融合方面用于平滑和建图的C++库，GTSAM采用因子图和贝叶斯网络的方式最大化后验概率 。
2：解决什么问题：
GTSAM解决SLAM和SFM的问题（lia_sam后端因子图优化）
1：贝叶斯网络是什么
贝叶斯网络（信念图）（有向无环图模型）是一种概率图模型。
2：贝叶斯网络的组成
3：例子
a和b是独立的，a和b通过弧指向c，则c的概率值将依赖于a和b，说明属性c受到a和b的影响，因为有向无环图，则c不会指向a和b。由上图可知：P(a,b,c)=P(a)P(b)P(c|a,b)成立。
具体更多例子参考：二. 贝叶斯网络
1：什么是因子图
因子图就是对函数进行因子分解得到的概率图，由变量节点和函数节点组成
因子图的三个基本组成部分：
全局函数可以通过因式分解得到多个局部函数的乘积，局部函数和对应变量的关系就体验在因子图上。
g
(
x
1
,
x
2
,
x
3
,
x
4
,
x
5
)
=
f
A
(
x
1
)
f
B
(
x
2
)
f
C
(
x
1
,
x
2
,
x
3
)
f
D
(
x
3
,
x
4
)
f
E
(
x
3
,
x
5
)
g\left(x_{1}, x_{2}, x_{3}, x_{4}, x_{5}\right)=f_{A}\left(x_{1}\right) f_{B}\left(x_{2}\right) f_{C}(x 1, x 2, x 3) f_{D}\left(x_{3}, x_{4}\right) f_{E}\left(x_{3}, x_{5}\right)
g(x1,x2,x3,x4,x5)=fA(x1)fB(x2)fC(x1,x2,x3)fD(x3,x4)fE(x3,x5)
其中
f
A
,
f
B
,
f
C
,
f
D
,
f
E
f_{A}, f_{B}, f_{C}, f_{D}, f_{E}
fA,fB,fC,fD,fE为各函数，表示变量直接的关系，可以是条件概率也可以是其他关系，对应的因子图为：
（两种表示方法）
