以高斯牛顿法为例：
目标
：
使总残差最小 ，一般为多个代价函数平方之和 ：½ ∑ || e（x）||²
e (x)：代价函数=误差项=残差
x为待优化参数
求解增量过程
：
1、关于待优化参数x对e一阶泰勒展开
2、带入½∑ ||e(x)||
3、对增量△x求导
4、得到增量方程
∑(JT *J)
△x=∑(-JT
e ) ，近似写成H△x=b
5、求解增量
关键
：
具体求解增量过程在使用库求解时并无体现，可直接找 雅克比矩阵J、误差项e
实践：
使用Ceres时
1、
定义误差项
的计算模型
2、构建问题，使用for循环将所有的
误差项添加
进去（指定带优化参数、带入已知数据）
3、
雅克比矩阵
自动求
4、自动求得优化结果
使用g2o时
1、定义待优化参数（顶点）
2、定义
误差项
（边）
3、定义边中包含定义
雅克比矩阵
4、添加待优化参数（顶点）
5、使用for循环
添加
所有的
误差项
（边）
6、得到优化结果
到底什么是非线性最小二乘问题
：