首先是第一个问题，　为什么需要图优化？

我们可以先考虑一个最小的线性二乘问题:

这里 为n 维，　我们这里默认每个 元素都与 有关，　所以在求解这个问题时，可以将每个 同时优化，　在取得该问题的最小值时即可获得 .

如果是下面的方程呢

这里 为都为n 维，　但是有两个误差项，　并且假设 中某些元素与对应误差项（如这里 ）无关的．　我们求解问题的时候就只能分别求解，　将误差项和优化变量关联，这里就涉及到了图优化．可以简单理解，

将上述问题　分成两个最小二乘问题求解，只不过是两个最小二乘问题里只优化相关变量．

由此　我们可以开始介绍图优化

一个图由若干个顶点（优化变量，即上例中的X元素）和其相对应的边（误差项，即上例中的 ）组成.

当然这里简化了许多，　可能有许多个变量与同一个误差项相关．

最后我们的优化问题可被归纳为：

1. 定义误差项边和优化变量顶点
2. 选择优化算法
3. 求解

这里求解方式有很多种类，SLAM 中常用g2o 库．