g2o详细介绍 g2o学习——g2o整体框架：https://blog.csdn.net/wubaobao1993/article/details/79319215
g2o学习——再看顶点和边：https://blog.csdn.net/wubaobao1993/article/details/79328569
g2o学习——顶点和边之外的solver: https://blog.csdn.net/wubaobao1993/article/details/79336069
首先进行两张rgb图的运动估计的图优化
使用g20对匹配好的特征点进行运动估计，是一个ICP问题，把两个位姿作为前两个节点，两帧图像分别对应的很多个特征点作为后续的节点，边则是这些节点之间的关系 通过优化后我们得到相应的位姿，使用得到的位姿进行点云拼接得到如下图 然后 再看看直接3D-2D得到的拼接点云的结果，发现确实是3D-2D的效果更好 虽然在第二节中有很不错的运动估计，不过那是基于在有深度图像的基础上可以获得前一张匹配点的3D点，从而转化为3D-2D的运动估计，但是在这里没有深度图的信息，从而变成了一个2D-2D的运动估计问题，直觉上可以看到缺少了深度信息，这变得更难了，所以强大的g2o登场了。 代码参考博客https://www.cnblogs.com/gaoxiang12/p/5244828.html https://www.cnblogs.com/gaoxiang12/p/5304272.html
