1.1 Gauss-Newton；LM；Dog-leg；Conjugate Gradient(CG,共轭梯度法)与Preconditional Conjugate Gradiem method(PCG,预优共轭梯度法)
1.2 GN,LM,Dog-leg三种优化方法的分析与对比见链接1 链接2. CG与PCG方法的原理与实现见链接.
1.3 开源VIO算法中VINS用到了Dog-leg. 项目EIBA确认用了PCG，ICE-BA也用了.
2.1 一阶与二阶的定义：
从 cost function开始说，构建error function 之后，就有了cost function. 我们对cost function进行泰勒展开
其中泰勒展开的阶次则对应着一阶和二阶。
2.2 一阶是最速下降方法，有可能收敛慢，不一定准；二阶比较准，不容易奇异Hessien,较慢。GN方法是近似的二阶。
一阶，二阶，GN，LM方法的分析与速度对比见链接.
2.3 优化问题几大要素
- costfunction的构建。
- 初值的选取（一般代数法结果作为初值，然后数值迭代）
- 迭代方向的确定
- 步长的确定（牛顿法是木有的，GN的步长默认为1）
2.4 深度学习优化方法总结见链接.
3.1 线搜索与置信域的解释与说明。
3.2 讨论结论来看，大家一般都可能用直接现成的库，其实内部核心只是配置相关参数而已。
虽然也有很多Demo在做，譬如无监督的端到端的unDeepVO.但是泛化能力一直是一个很难解决的问题，现在得到的反馈都是在数据集上确实能有很好的效果，但将模型运用到自己数据集上并不能得到很好的效果。而且端到端的问题是说有可能是一个黑盒，没有很好的办法去debug。
5.1 BA (Bundle Adjustment）又叫捆集调整，摄影测量学又叫光束法平差，测绘学又叫空三（空中三角测量）。
5.2 多传感器譬如IMU的引入能够减小累计误差，而且IMU与Vision是相辅相成的。Vins-fusion中IMU与视觉是紧耦合的，vio与GPS等等是松耦合的。
5.3 GPS以及回环都是可以减小全局误差的，另外讨论中提到了回环问题，其实也算是Pose Graph问题，它形象上讲是将误差匀一匀，但不一定是均分，使得整体误差最小，因为每个节点对总体误差的贡献程度不一样。