信息矩阵（Information Matrix）是 g2o 优化中用来表示 “观测数据可信度 / 权重” 的矩阵，本质是 “误差的协方差矩阵的逆”。
- 先搞懂 “协方差矩阵”（信息矩阵的 “前身”）
协方差矩阵（Σ）描述了 “观测误差的波动程度”：
数值越大 → 误差波动越大 → 观测数据越不可信；
数值越小 → 误差波动越小 → 观测数据越可信。
举个生活例子：
你用两种尺子量桌子长度：
尺子 A：每次测量误差 ±0.1cm（波动小）→ 协方差小 → 可信；
尺子 B：每次测量误差 ±1cm（波动大）→ 协方差大 → 不可信。 - 信息矩阵（Ω）= 协方差矩阵的逆（Σ⁻¹）
因为优化时更习惯用 “可信度” 而非 “波动度”，所以取协方差的逆：
信息矩阵数值越大 → 观测越可信 → 优化时越 “重视” 这个观测；
信息矩阵数值越小 → 观测越不可信 → 优化时越 “轻视” 这个观测。
对应上面的例子：
尺子 A 协方差 = 0.01 → 信息矩阵 = 100（大，重视）；
尺子 B 协方差 = 1 → 信息矩阵 = 1（小，轻视）。 - 在 g2o 里的实际作用
g2o 的优化目标是最小化 “误差的加权平方和”，公式简化后是：mineTΩe
e：误差向量（比如重投影误差、位姿误差）；
Ω：信息矩阵（权重）；
e^T Ω e：加权后的误差，信息矩阵越大，这个误差对优化结果的影响越大。
比如：
对 “高精度的特征点匹配”，给信息矩阵设大值（比如 1000），让优化更贴合这个观测；
对 “低精度的匹配”，给信息矩阵设小值（比如 1），减少它对优化的影响
二、为什么信息矩阵一定是对称的？
核心原因：信息矩阵是协方差矩阵的逆，而协方差矩阵本身是对称的，逆矩阵也必然对称。
- 先解释 “协方差矩阵为什么对称”
协方差矩阵的元素Σ(i,j)表示 “第 i 个误差和第 j 个误差的协方差”，而协方差满足：
Σ(i,j) = Σ(j,i)（比如 “x 方向误差和 y 方向误差的协方差” = “y 方向误差和 x 方向误差的协方差”），所以协方差矩阵是对称矩阵。 - 对称矩阵的逆也对称
数学上有个结论：如果矩阵 A 是对称且可逆的，那么 A 的逆矩阵 A⁻¹ 也一定对称。
信息矩阵 Ω=Σ⁻¹，所以 Ω 必然对称：