图优化中，变量通常分为多种类型（位姿、路标），每个类型维度不同。块求解器（BlockSolver）利用这种结构，将海森矩阵视为分块矩阵，便于利用稀疏模式高效求解。对于 SLAM，常用的块尺寸是 6（位姿）和 3（路标点），因此 g2o 有BlockSolver_6_3。在仅优化位姿时，整个海森矩阵就是 6x6，也就是 PoseMatrixType。但仍然可以用块求解器的容器，只是路标块不出现。块求解器内部包含一个线性求解器（如 LinearSolverDense），用来求解最终的线性方程组：H*dx=-b。还可以解释块求解器如何做 Schur 消元：将路标点边缘化，得到只含位姿的约化相机系统（维度与位姿个数有关(6N*6N)，但当只有一个位姿时就是 6x6）。在这个优化中只有一个位姿，所以直接就是 6x6。“块求解器”（BlockSolver）是 g2o 中专门针对SLAM 问题变量结构设计的一种求解策略。要理解它，需要从图优化中海森矩阵的形状说起。 图优化中，变量通常分为多种类型（位姿、路标），每个类型维度不同。块求解器（BlockSolver）利用这种结构，将海森矩阵视为分块矩阵，便于利用稀疏模式高效求解。对于 SLAM，常用的块尺寸是 6（位姿）和 3（路标点），因此 g2o 有BlockSolver_6_3。在仅优化位姿时，整个海森矩阵就是 6x6，也就是 PoseMatrixType。但仍然可以用块求解器的容器，只是路标块不出现。块求解器内部包含一个线性求解器（如 LinearSolverDense），用来求解最终的线性方程组：H*dx=-b。还可以解释块求解器如何做 Schur 消元：将路标点边缘化，得到只含位姿的约化相机系统（维度与位姿个数有关(6N*6N)，但当只有一个位姿时就是 6x6）。在这个优化中只有一个位姿，所以直接就是 6x6。“块求解器”（BlockSolver）是 g2o 中专门针对SLAM 问题变量结构设计的一种求解策略。要理解它，需要从图优化中海森矩阵的形状说起。 
)
