学术上提供的算法程序大都只能处理一次采集的数据，但实际应用中，数据是源源不断的到来，所以我们有必要分析大量数据能怎么影响地图的精度。并且有一种筛除数据的机制。
- 在小区域内，建立局部地图，优化keyframe和mappoint之间的重投影误差。能从更多的角度来观察kf和mp能够提升大家的精度。但是当区域扩大的时候，仍然有累计误差。
- 对于长距离，一次从A点到B点的odometry相当于是一次距离测量。我们熟知的多次测量取平均的方法在这里就有用了。当时如果路途上有什么东西会每次都让测量不准，这也是没办法的。就像我们拿了一根有缺陷的尺子，测量再多次数都没用。唯一办法就是换个尺子。视觉建图中，我们可以考虑加上其他传感器的独立测量，比如激光slam。
- 我们期望一个mp被更多的kf看到，一个kf能看到更多的mp。所以对于观察数少于多少的mp合kf都应该删除。另外空间上重复的mp和kf也应该删除，但还要保证他们的观察对象也是重复的。另外新的比老的数据更重要，比如一个mp长期没被观察到了，所以他已经没用了，不能在那里站位置。比如一个mp虽然能被很多kf观察，但是都是历史的kf。新来的数据又用不到他，如果没有机制把他删除，后面的点就加不进来。但是也有风险是如果删掉后，又刚好有能和他匹配上的kf来到了。数据的筛选要考虑到各种各样的问题。
- 所以长距离的轨迹调整，使用pose graph就够了。3d点一定要和kf绑定起来。还有种思路是使用kf尽量保存完整的mp的限制，这样不需要使用mp的先验信息。这样来看的话，其实mp不需要保存他的位置，但是共视关系需要保存。
- 要多次测量取平均的话，那一定要测量的是一个东西。所以只要在A，B两点能精确匹配上就行（kf和mp的匹配）。如果只有gps的大概对齐是不够的。这样来看，回环并不是唯一的选择。
- 需要对不同传感器计算的误差有分析，比如gps的误差大概是10m，而odometry的误差累计大于10m后就需要考虑和gps融合，这里可以借鉴卡尔曼滤波的思路来实现。
- 超大规模的地图，我们需要一个全局的骨架。把一开始零散的数据大概分布一下。这个骨架室外多用gps，室内多用wifi定位。在某些关键点上面最好能用最精确的方式和视觉绑定定位一下。
- 同类传感器数据需要能够匹配才算融合在一起，不同传感器必须要能一次测量并绑定一起（知道他们的空间和时间关系）。所以第6点说的关键点必须是各种测量的大融合：不同光照，不同传感器。
- 即使不能把所有数据都融合在一起，对于只需要局部定位的情况，我们可以同时基于多个局部地图定位，然后给出效果最好的那个。
- 比如我们使用激光slam在A到B之间量出了距离，然后在A，B两点上做大量的融合。这样就建立起一个较好的骨架。A，B之间就区域就只需要松散的数据就能建立起map。
- 一个传感器的精度和和其他传感器的匹配性都很重要。一个只有激光的测量，虽然能测很准，但是不能用来优化其他数据，就没有太大作用。
- 视觉里面最准的还是frame之间的相似变换。如果能保存每个kf的2d特征，新来的frame先和某几个frame做相似匹配，然后再综合计算scale。
- imu只能给出时间是局部的限制。但当一个区域被跟新很多次之后，所有kf之间都不是时间连续的了，这个时候imu其实就没用了。所以如果要使用imu的时候，不仅要kf看到的mp多，时间上还要有些连续性。这样来看，在删除kf的时候，需要优先保留一段时间上都比较好的kf，或者连续kf长的那一段。
- 滤波器融合和优化融合：滤波器是不断的在历史先验信息上用新的数据来修正（快，可以随时给出一个结果），优化法是一次使用所有数据。当他们使用的都是相同数据的时候，并且没有线性化的近似时，两者的结果是一样的。但是如果历史有的数据有错误，优化法可以很容易的剔除数据，得到没有错误的结果，但是滤波法就不行了。另外滤波法还建立在正确的噪音的估计上（就像流水求平均，你必须预先知道总的数据数量），优化法不用。