Bundle adjustment 有很多书将其翻译成是捆绑调整，其实不然，其就是摄影测量中的光束法平差，即是整体求解相机的位姿和加密点坐标。
但是由于计算机视觉中是物方坐标系到图像的像素坐标系，而摄影测量是物方坐标系到图像的像平面坐标系，出于这个原因，两者在公式符号上有些差异。
本博客以SLAM 中相机方程关于相机位姿的导数矩阵（2*6的雅克比）和摄影测量后方交会时候的误差方程系数矩阵（也是2*6）为例，对比其两者区别：
注：导数矩阵有什么用？
按照测量平差理解，非线性方程，首先要线性化，即是全微分，然后才能进行误差传播。
按照计算机视觉，导数矩阵可以提供优化的方向，即是梯度方向，指导迭代，如机器学习的梯度下降法
SLAM 中2*6的雅克比见下图：
摄影测量中的误差方程矩阵如下：
注意这里的H等于 
Z一拔，摄影测量是先平移后旋转，而计算机视觉是先旋转，后平移。
可以看出，两个矩阵几乎一样，不同有两处：1、角元素改正数的顺序不同 2、符号上的差异，见用圆圈圈起来的地方。
注：知道了导数矩阵，那么如何迭代获得最优值？
对于摄影测量，利用高斯牛顿，即是利用正规方程（就是法方程，笔者在Slam 与测量平差中介绍过）得到改正数，若改正数小于一个阈值，则退出，否则更新姿态元素进行下一次。
对于SLAM 则是，利用列-马（就是岭回归）或者梯度下降法。