ORB_SLAM2使用g2o库进行优化。
优化分为四种：
（1）全局BA优化（在单目初始化之后、回环检测之后进行全局BA优化。对所有关键帧的位姿、路标点进行优化）
（2）局部BA优化（在局部建图之后进行，对当前帧及其共视关键帧的位姿、路标点进行优化）
（3）位姿图优化（仅优化位姿，在恒速运动模型、参考关键字模型、重定位、局部地图跟踪的时候执行）
（4）本质图优化（在回环校正过程中进行优化，将闭环误差分配到本质图中）
（5）Sim3优化（检测到回环之后，会进行闭环帧和当前帧间的Sim3估计，随后进行Sim3优化）
需要注意的是，优化完路标点之后，要记得更改路标点的属性（如观测角度，平均深度等）。

（1）全局BA优化（GlobalBundleAdjustment）与局部BA优化（LocalBundleAdjustment）

（2）位姿优化（只优化相机位姿，不优化路标点坐标）

（3）优化本质图
优化本质图中的关键帧的位姿以及路标点坐标。

（4）筛选出的闭环帧的位姿优化

优化所有关键帧的位姿和路标点。（单目初始化、闭环优化后）

边中只加入了路标点与关键帧间的连接边。
在边中会设置信息矩阵。信息矩阵的作用是确定在优化过程中，每条边分担的误差有多少。

?
?

在恒速运动模型、参考关键帧模型、重定位、局部地图跟踪（和局部地图优化不一样，局部地图追踪是在Track线程中，而局部地图优化是在LocalMapping线程中）的时候，都会用到位姿优化。（个人感觉与位姿图优化不一样。位姿图优化的话，边连接的是两个顶点，BaseBinaryEdge。而这里的边只连接一个顶点，BaseUnaryEdge。）

边为一元边，因为边只连接位姿。
?
?

在局部建图线程处理完最后一个关键帧之后，调用局部BA优化。
局部地图中包括当前帧及其共视关键帧（权值大于一定的比例）。对于那些权值小于阈值的关键帧，在BA优化过程中，只提供约束，不进行优化。

过程与全局BA优化相似，设定位姿顶点、路标顶点，建立两个顶点间的边。进行优化（一开始使用鲁棒核函数进行优化，优化之后去掉外点（边的代价过大），然后对剩下的点不使用鲁棒核函数进一步优化）。
?
?

本质图与共视图相似，但更加严格。其主要作用是在回环检测之后，将闭环误差均摊到本质图中。
在本质图优化中，只优化关键帧的位姿。
是一个位姿图优化，边连接两个位姿顶点。
?
?

检测到回环，计算出当前帧和回环帧间的Sim3变换后，进行优化。
在第一次优化过程中，那些误差很大的边，直接剔除掉，然后对剩下的边进一步进行优化。