视觉SLAM常见的QR分解SVD分解等矩阵分解方式求解满秩和亏秩最小二乘问题（最全的方法分析总结）

关于这个问题的内容比较多，也整理了相当一段时间，在写内容之前，我需要引用一些牛人的名人名言，以壮士气。
（1）故不积跬步，无以至千里；不积小流，无以成江海-荀子
（2）只收藏，不点赞的同学，人心都是肉长的。。。地主家也没有余粮啊。。。我想说的是。。。不赞不是好码农-马克.wangshuai
（纯粹copy）

内容一
首先直接给出AX=B解的情况：
（1）R(A)< r(A|B),方程组无解
（2）r(A)=r(A|B)=n,方程组有唯一解
（3）r(A)=r(A|B) < n,方程组有无穷解
（4）r(A)>r(A|B),这种情况不存在
其中r()代表矩阵的秩，A|B是增广矩阵，n是X未知数个数。通过下面的例子理解下这个结论，假设x=[x1,x2]，其实就便沉了一个二元一次方程组求解问题。
（1）A[1,1;0,0],B=[1,1]，AX=B方程组变成了下式，这自然没有解，因为方程组的第二个式子是的0=1，与事实不符。

（2）A[1,1;0,1],B=[1,1]，AX=B方程组变成了下式，这自然有唯一解，解为X=[0,1].

（3）A[1,1;0,0],B=[1,0]，AX=B方程组变成了下式，这自然有无穷解，因为第二项消掉了，方程只剩下第一项，一个方程式，两个未知量。

这里就引出最小二乘问题，最小二乘问题就是用来解决第二、三种情况求最优解。当出现第二种情况下（也就是A满秩下，称为满秩最小二乘问题），为了提高效率通常使用QR分解、LTLD分解、Cholesky分解和SVD分解（奇异分解）等。当出现第三种情况时（也就是A秩亏，称为亏秩最小二乘问题），只能使用SVD分解方法，其他方法将失效。下面分别介绍QR分解、LTLD分解、cholesky分解和SVD分解的方法，然后探讨其对最小二乘的解法。

内容二：
这里有必要提下线性最小二乘问题

可见一般在视觉SLAM中后端优化就是约束项大于未知数的个数（超定问题），采用最小二乘问题求解

内容三：
为什么需要矩阵分解
个人认为，首先，当数据量很大时，将一个矩阵分解为若干个矩阵的乘积可以大大降低存储空间；其次，可以减少真正进行问题处理时的计算量，毕竟算法扫描的元素越少完成任务的速度越快，这个时候矩阵的分解是对数据的一个预处理；再次，矩阵分解可以高效和有效的解决某些问题；最后，矩阵分解可以提高算法数值稳定性，关于这一点可以有进一步的说明。