BA可以优化相机内参，相机和body的外参，body的pose，3d点。fix不同的量有不同的结果，所以这里做了实验来研究其中的规律。
问题设定：
使用激光slam计算出来的pose，作为每一帧相机的pose的初始值，然后三角化的3d点位置作为3d点的初始值。这里有一个相机坐标到激光坐标的外参也可以优化。最后我们考察优化后feature的聚集度，和激光点云的一致性，以及重投影误差。
后面图，白色点云代表激光slam生成的结果，可以认为是真值。红色的是基于激光slam的轨迹生成的图像特征点，并使用BA优化之后的结果。
固定内参，优化pose，固定外参
8.232063e+04，外参的误差可以用pose来弥补，但是需要的变大很大，不容易真正达到最优。而且虽然误差降了很多，但是不一定是我们想要的方式去降低。
固定内参，优化pose，优化外参
8.243628e+04，如果明确提供一个到达最优的捷径：外参。就能更容易达到全局最优。
固定内参，固定pose，优化外参（相机到激光的外参）
5.341061e+05，没有提供足够的自由度
优化内参，优化pose，固定外参
5.190839e+05，自由度太高，反而容易陷入局部最优
