技巧性u初始值，更新的原因都不知道杂来的
F(x)是复杂的非线性函数，所以没法直接求导=0得到最小值。所以展开
两种方法来下降，一种是先找一个方向，在确定一个步长line search。另一种是先确定区域，再找一个点。
J是FX的雅可比已知，d取J反方向就是下降最快的
这里的黑体f(x)是struct后的fx，其对应的J和H和之前的不一样，要叠起来变成矩阵。robust用单个的fx，BA表达用叠在一起的fx粗体
高斯牛顿是fx求雅可比，牛顿是FX求雅可比
公式8前者是二阶导数H，后者是一阶导数J。u应该别跑太远
svd分解。经验显示u和最大的特征值lamda是同一个数量级，或者JTJ对角线最大值和u同一个数量级，因为不可能每次都去svd分解JTJ。初始值在最优附近，趋向于使用高斯牛顿，所以tao小一点10^-8。
广义韦达定理
矩阵特征值之和等于主对角线元素之和
rou小于0，fx没有下降。分母L-L一直减小，因为步长是根据减少的L的目的实现的
鲁棒核函数=M估计=自适应估计=reweighted
鲁棒和函数等于在JTJ上家了一个权重，huber有参数k算起来简单，cauchy有控制参数c。柯西==IRLS，效果好点，算量大
fx的结果分布方差95%
黄色代码和公式17对应
协方差的逆作用：马是距离角度，对不同传感器或者类型误差量（范围）归一化（视觉IMU），权重角度，协方差小，可行度高，他的逆大，权重大
lamda 特征点的逆深度
uv可以认为特别准，唯一自由度为深度，相对于xyz自由度三，逆深度可以省计算量。不用深度用逆深度好处，可以表示无穷远lamda=0，lamda近似高斯分布
纯惯性导航用不到预计分，因为没有优化前一部位资的需要
alpha位置变化，beta速度变化，q姿态变化
四元数乘法在小角度时虚部近似为0
