通俗几何与数值优化：平差机制与正交分解本质
在计算机图形学、三维点云处理、视觉 SLAM 与相机定位中，“平差（Adjustment）”与“正交分解（Orthogonal Decomposition）”是贯穿始终的两大数学支柱。许多初学者容易被繁琐的公式所困扰，本文抛开复杂的符号堆叠，用直观的几何图像与生活比喻，系统通俗地解构这两个概念的物理本质与工程应用。
1. 什么是“平差”？（Adjustment）
1.1 从生活常识理解“平差”
想象你需要测量一张桌子的物理宽度：
- 第一次用直尺测量得到：
- 第二次换卷尺测量得到：
- 第三次用激光测距仪得到：
这三个测量值相互矛盾、各不相同。这个测量值之间的互不一致与随机偏差，在测量学中就被称为“差”（残差/误差）。
那么桌子的真实宽度到底是多少？直觉告诉你：取平均值 。
“平差”的字面含义：“抹平偏差，抹掉矛盾”。 通过某种最优准则（如残差平方和最小），让所有包含噪点与误差的观测数据共同分摊不一致性，从而计算出最接近真实世界的参数。
1.2 为什么工程中必然需要“平差”？（超定方程组）
在三维扫描、照片建模或相机定位中，未知参数的数量（如相机位置、三维点坐标）通常只有几十或几千个，但传感器采集到的观测数据数量（如像素特征点、扫描点云）往往有几万乃至几百万个。
在数学上，方程的数量远多于未知数的数量，这被称为超定方程组（Overdetermined System）：
由于现实物理世界中始终存在传感器噪点、镜头微小畸变或手抖，绝对没有任何一个解能够同时完美满足所有的方程。 如果没有平差，直接联立其中任意几个方程解出来的结果就会剧烈抖动；只有通过“平差”，才能从海量带噪数据中提取出稳定的全局最优解。
1.3 图形学与视觉中的经典“平差”应用
- 最小二乘平差 (Least Squares Adjustment)： 最基础的平差形式。给定一堆散落的拟合点，找到一条直线或平面，使所有点到该平面的垂直距离平方和最小。
- 光束法平差 (Bundle Adjustment, BA)： 三维视觉中的终极平差。想象从每个 3D 空间点向观测到它的相机光心连线，形成成千上万束“光线（Bundles）”。BA 通过同时微调所有相机位姿和所有 3D 点坐标，拉紧这些光线，使所有影像上的重投影误差最小。
- 点云 ICP 配准平差： 通过微调刚体变换矩阵 ，抹平源点云与目标点云之间数万个匹配点对的欧氏距离残差。
2. 什么是“正交分解”？（Orthogonal Decomposition）
2.1 从物理合力理解“正交”
在物理学中，分析一个斜向上飞行的炮弹受力时，我们习惯将其分解为“水平向右”和“垂直向上”两个分量。
为什么要选择 垂直（正交）的两个方向？ 因为这两个方向完全独立、互不干扰：你在水平方向上施加再大的推力，也绝对不会改变它在垂直方向上的加速度。
正交的本质：“独立无干扰”。 正交分解就是将一个复杂的空间向量或高维矩阵，拆解为一组互相垂直、相互独立的基本分量。
2.2 几何向量的正交分解
对于空间中的任意向量 和一个给定的单位方向向量 （），正交分解将 拆分为两个正交部分：
- 平行分量（投影）：，代表 在 方向上的影长与投影。
- 垂直残差分量：，满足 。
在几何求交、点到平面距离计算以及点到平面 ICP（Point-to-Plane ICP）中，正交分解是最底层的推导支撑。
2.3 矩阵与数值计算中的正交分解
在计算机中，正交矩阵（满足 的矩阵）拥有无与伦比的数值稳定性。
为什么正交变换在工程中如此受追捧？
- 不改变几何形状：正交变换（如纯旋转矩阵 ）在几何上只改变物体的方向，绝对不拉伸长度、绝对不扭曲角度。
- 永远不会数值爆炸：计算机用浮点数解方程时，普通矩阵连乘极易导致数值过大溢出或丢失精度；而正交矩阵的条件数（Condition Number）永远等于 1，求逆矩阵只需简单地取转置（），计算极快且绝对稳定。
常见的三大正交分解算法：
- Gram-Schmidt 正交化：从一堆任意倾斜的基向量中，逐个剔除投影分量，构造出标准直角坐标系。
- SVD 奇异值分解 ()：图形学与视觉中的万能钥匙。将任意矩阵分解为“旋转 () 轴向缩放 () 旋转 ()”。用于 Kabsch 刚体姿态求解、PCA 主成分分析与法线估计。
- QR 分解 ()：将矩阵分解为一个正交矩阵 与上三角矩阵 ，是快速稳定求解平差方程（高斯-牛顿法 ）的标准内部机制。
3. “平差”与“正交分解”的协同组合
在实际工程中，“平差”与“正交分解”往往是配合使用的组合拳：
- 建立平差机制：定义残差与目标函数，把带噪的物理问题转化为“寻找最佳适应解”的超定优化问题。
- 利用正交分解求解：通过 SVD 或 QR 分解，把复杂的非正交方程组投影到正交空间中求解，既保证了物理上的“几何距离最近”，又保证了计算机内部“数值绝对不发散”。
4. 核心原理与高频追问
FAQ 1：为什么说“最小二乘法”本质上就是一种几何正交投影平差？
答： 在求解超定方程组 时，因为向量 不在矩阵 的列空间（Column Space）内，所以无精确解。 最小二乘法寻找的解 ，使得预测向量 是 在 列空间上的正交投影。此时残差向量 与列空间完全垂直（正交），即满足：
这就是著名的正态方程（Normal Equations），几何本质就是将误差沿着正交法向抹平。
FAQ 2：在三维点云配准中，正交分解（SVD）是如何实现“平差”求解刚体姿态的？
答： 在 Kabsch 算法与 Point-to-Point ICP 中，我们需要寻找最佳旋转矩阵 ，最小化所有匹配点对的距离残差平方和 （即平差过程）。 通过展开残差平方和，平差目标转化为最大化迹 ，其中 为跨协方差矩阵。 此时对 进行正交分解（SVD）：。因为正交矩阵不改变向量长度，正交分解直接给出了全局闭式最优解：，在数学上完美兼顾了“平差距离最小”与“旋转矩阵正交性”。