今天完成了机器人视觉的所有课程以及作业，确实是受益匪浅啊！
最后一个话题是Bundle Adjustment. 机器人视觉学中，最顶尖的方法。
1、基于非线性优化的相机位姿估计
之前已经在拟合一篇中，已经补完了非线性最小二乘拟合问题。Bundle Adjustment，中文是光束平差法，就是利用非线性最小二乘法来求取相机位姿，三维点坐标。在仅给定相机内部矩阵的条件下，对四周物体进行高精度重建。Bundle Adjustment的优化目标依旧是最小重复投影误差。
与利用non-linear mean square 解三角同，bundle adjustment 中所有的参数，RCX均为变量。N幅图则有N个位姿，X个点，我们会得到非常大的jacobbian Matrix.本质上，需要使用雅克比矩阵进行梯度下降搜索。详细见博客——拟合
2、雅克比矩阵
雅克比矩阵的行代表信息，列代表约束
每一行是一个点在该位姿下的误差，每一列代表f对x分量的偏导数。
q x c 均为变量，q是旋转四元素，x 是三维点空间坐标，c 是相机光心在世界坐标系下的坐标。J 可以分为三部分，前4列代表对旋转求导，中间三列代表对c求导，最后三列代表对x求导。其中，对旋转求导又可以分解为对旋转矩阵求导X旋转矩阵对四元素q求导。一旦获得J的表达式，我们就可以使用Newton-Gaussian 迭代对x寻优了。求导后的数学表达式如下：
如果有两个相机，则总的雅克比矩阵如下：
通过同时迭代所有的q C X ，最终可以同时得到世界点坐标，相机位姿 == SLAM!!!