一．基本概念
注意这里的BA 指的就是目标函数中的f函数为普通相机的观测方程的非线性优化解算方法，所以本文中BA与非线性优化同概念．
对极几何，PnP，ICP 一般都只用于前端，为BA提供初值（这里的BA可能是前端也可能是后端），但是PnP和ICP都可能会用到BA的方法．
BA在前端后端都会用到，前后端也就是所谓的范围的问题，前端可能只在相邻几帧进行BA操作，后端的范围就要大的多
二．对极几何+三角测量
一般使用八点法计算本质矩阵Ｅ．然后通过SVD分解出相机的运动R和t.
获得了相机运动，之后再求解三维点的坐标（三角测量）．注意和BA的边缘化是不同的啊．
和ransac的关系：要计算基础矩阵至少需要8 个点（使用8 点算法）。点越多越好，可以使用RANSAC 算法得到更加稳定的结果。
ransac（百度百科）：RANSAC为Random Sample Consensus的缩写，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。
三．PnP
3D-2D，最少只需要四个点，三个点解算，一个点验证．
双目和RGB-D相机可以从一开始就使用PnP进行解算（虽然不知道为什么RGBD不直接用ICP，却要用PnP），但是单目相机必须一开始用对极几何然后才可以用PnP.
PnP可以用线性方法求解,往往是先求相机位姿,再求空间点位置,而非线性优化则是把它们都看成优化变量,放在一起优化。这是一种非常通用的求解方式,我们可以用它对 PnP 或 ICP 给出的结果进行优化。在 PnP 中,这个 Bundle Adjustment 问题,是一个最小化重投影误差(Reprojection error)的问题。
四．ICP
