对于雅克比矩阵的学习

最近在学习SLAM工作时，对于雅克比矩阵的实际作用以及意义不是很了解，便特意花些时间去查阅了一下资料，整理如下。
雅克比矩阵的大致形式

雅克比矩阵的意义
假设f: Rn→Rm（可以看为一个映射）为一个从欧式n维空间转换到欧式m维空间的函数（在SLAM中为各个坐标系之间的转换），并且由m个实函数组成: y1(x1,…,xn), …, ym(x1,…,xn)。若将该函数的偏导数(若存在)组成一个m行n列的矩阵, 那么这个矩阵就是所谓的雅可比矩阵：

当m=n时，雅克比矩阵的行列式则可称为雅可比行列式。
简单来说，对于三维空间中的坐标变换而言，设在T1坐标系之中，我们有一个正方体A1，当坐标系转换到T2之后，这个正方退变换为另一个几何体A2（或许不是正方体了），那雅克比行列式的意义就是A1与A2之间体积的比值。

雅可比矩阵重要之处在于它能够体现一个可微方程与给出点（设该点为点J）的最优线性逼近（对于优化各函数给出一个最优的方向），因此雅可比行列式可用于求解点A的微分方程组的近似解。

参考https://mp.weixin.qq.com/s?src=11&timestamp=1591965922&ver=2396&signature=rDpKPcyi8qqbIgMDWHIQhE8z8Rp-o-EQkFoFsFvq77rFt5tK7C6whkLDTrJrwu1TuKICUKOhTIX5DhJ6pBhcCXu4gPtWGkOBiKTmByY41Y8RSE8dfeD1zy40ejbxL2&new=1