在上讲中,我们讲解了视觉 SLAM 的框架与内容。本讲将介绍视觉 SLAM 的基本问
题之一: 一个刚体在三维空间中的运动是如何描述的。
文章目录
PART1 读书笔记
PART2 实践部分
本讲共3处实践:3.2节:实践Eigen,书P44;3.6节:实践Eigen集合模块,书P57;3.7节:可视化演示,书P60。
- 3.2节:实践Eigen
①Eigen的安装:
Eigen的安装,书P44提供了从Ubuntu软件源安装Eigen的方法。但是如果在Ubuntu软件源中未找到Eigen,则需要自行下载Eigen安装包进行安装。下面链接提供了详细的Eigen安装方法:
https://www.cnblogs.com/newneul/p/8256803.html
【注意:书上写道“Eigen 头文件的默认位置在“/usr/include/eigen3/” 中”,而上述链接对应的Eigen安装位置为:/usr/local/include/eigen3,这一点应留意。】
②CMakeLists.txt的修改
③程序实际运行
先运行一遍程序查看运行效果。后续再对程序进行分析。
下面的具体的操作步骤(采用Cmake):
打开例程所在的路径:/home/yuanchang/slambook-master/ch3/useEigen,鼠标右键,在终端打开。
输入:mkdir build,新建文件夹build
输入:cd build,进入文件夹build
输入:cmake …,(cmake+空格+英文句号+英文句号,注意是2个英文句号!此处由于CSDN的问题可能显示出3个英文句号!),生成cmake中间文件在build文件夹中。
输入:make,编译
输入:./eigenMatrix,得到运行结果。
以下截图是在终端中的整个运行过程及运行结果:
④程序分析
#include <iostream>
using namespace std;
#include <ctime> //计时器相关,用于比较代码运行时间的长短。
// Eigen 部分
#include <Eigen/Core>
// 稠密矩阵的代数运算(逆,特征值等)
#include <Eigen/Dense>
#define MATRIX_SIZE 50 //宏定义,定义矩阵的大小
/****************************
* 本程序演示了 Eigen 基本类型的使用
****************************/
int main( int argc, char** argv )
{
//【——Eigen中矩阵、向量的声明方法。——】
// Eigen 中所有向量和矩阵都是Eigen::Matrix,它是一个模板类。它的前三个参数为:数据类型,行,列
Eigen::Matrix<float, 2, 3> matrix_23;// 声明一个2*3的float矩阵
// 同时,Eigen 通过 typedef 提供了许多内置类型,不过底层仍是Eigen::Matrix
// 例如 Vector3d 实质上是 Eigen::Matrix<double, 3, 1>,即三维向量
Eigen::Vector3d v_3d;//声明一个向量
// 这是一样的
Eigen::Matrix<float,3,1> vd_3d;
// Matrix3d 实质上是 Eigen::Matrix<double, 3, 3>
Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Zero(); //初始化为零
// 如果不确定矩阵大小,可以使用动态大小的矩阵
Eigen::Matrix< double, Eigen::Dynamic, Eigen::Dynamic > matrix_dynamic;
// 更简单的
Eigen::MatrixXd matrix_x;
// 这种类型还有很多,我们不一一列举
// 下面是对Eigen阵的操作
// 输入数据(初始化)
matrix_23 << 1, 2, 3, 4, 5, 6;//矩阵元素赋值
// 输出
cout << matrix_23 << endl;//矩阵元素输出
/*
【对应输出结果】:
1 2 3
4 5 6
*/
// 用()访问矩阵中的元素
for (int i=0; i<2; i++) {
for (int j=0; j<3; j++)
cout<<matrix_23(i,j)<<"\t";//矩阵元素输出
cout<<endl;
}
/*
【对应输出结果】:
1 2 3
4 5 6
*/
// 矩阵和向量相乘(实际上仍是矩阵和矩阵)
v_3d << 3, 2, 1;
vd_3d << 4,5,6;
// 但是在Eigen里你不能混合两种不同类型的矩阵,像这样是错的
// Eigen::Matrix<double, 2, 1> result_wrong_type = matrix_23 * v_3d;
// 应该显式转换
Eigen::Matrix<double, 2, 1> result = matrix_23.cast<double>() * v_3d;
cout << result << endl;
/*
【对应输出结果】:
10
28
*/
Eigen::Matrix<float, 2, 1> result2 = matrix_23 * vd_3d;
cout << result2 << endl;
/*
【对应输出结果】:
32
77
*/
// 同样你不能搞错矩阵的维度
// 试着取消下面的注释,看看Eigen会报什么错
// Eigen::Matrix<double, 2, 3> result_wrong_dimension = matrix_23.cast<double>() * v_3d;
// 一些矩阵运算
// 四则运算就不演示了,直接用+-*/即可。
matrix_33 = Eigen::Matrix3d::Random(); // 随机数矩阵
cout << matrix_33 << endl << endl;
/*
【对应输出结果】:
0.680375 0.59688 -0.329554
-0.211234 0.823295 0.536459
0.566198 -0.604897 -0.444451
*/
cout << matrix_33.transpose() << endl; // 转置
/*
【对应输出结果】:
0.680375 -0.211234 0.566198
0.59688 0.823295 -0.604897
-0.329554 0.536459 -0.444451
*/
cout << matrix_33.sum() << endl; // 各元素和
/*
【对应输出结果】:
1.61307
*/
cout << matrix_33.trace() << endl; // 迹
/*
【对应输出结果】:
1.05922
*/
cout << 10*matrix_33 << endl; // 数乘
/*
【对应输出结果】:
6.80375 5.9688 -3.29554
-2.11234 8.23295 5.36459
5.66198 -6.04897 -4.44451
*/
cout << matrix_33.inverse() << endl; // 逆
/*
【对应输出结果】:
-0.198521 2.22739 2.8357
1.00605 -0.555135 -1.41603
-1.62213 3.59308 3.28973
*/
cout << matrix_33.determinant() << endl; // 行列式
/*
【对应输出结果】:
0.208598
*/
// 特征值
// 实对称矩阵可以保证对角化成功
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver ( matrix_33.transpose()*matrix_33 );
cout << "Eigen values = \n" << eigen_solver.eigenvalues() << endl;
/*
【对应输出结果】:
Eigen values =
0.0242899
0.992154
1.80558
*/
cout << "Eigen vectors = \n" << eigen_solver.eigenvectors() << endl;
/*
【对应输出结果】:
Eigen vectors =
-0.549013 -0.735943 0.396198
0.253452 -0.598296 -0.760134
-0.796459 0.316906 -0.514998
*/
// 解方程
// 我们求解 matrix_NN * x = v_Nd 这个方程
// N的大小在前边的宏里定义,它由随机数生成
// 直接求逆自然是最直接的,但是求逆运算量大
Eigen::Matrix< double, MATRIX_SIZE, MATRIX_SIZE > matrix_NN;
matrix_NN = Eigen::MatrixXd::Random( MATRIX_SIZE, MATRIX_SIZE );
Eigen::Matrix< double, MATRIX_SIZE, 1> v_Nd;
v_Nd = Eigen::MatrixXd::Random( MATRIX_SIZE,1 );
clock_t time_stt = clock(); // 计时
// 直接求逆
Eigen::Matrix<double,MATRIX_SIZE,1> x = matrix_NN.inverse()*v_Nd;
cout <<"time use in normal inverse is " << 1000* (clock() - time_stt)/(double)CLOCKS_PER_SEC << "ms"<< endl;
/*
【对应输出结果】:
time use in normal inverse is 0.5ms
*/
// 通常用矩阵分解来求,例如QR分解,速度会快很多
time_stt = clock();
x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
cout <<"time use in Qr decomposition is " <<1000* (clock() - time_stt)/(double)CLOCKS_PER_SEC <<"ms" << endl;
/*
【对应输出结果】:
time use in Qr decomposition is 0.222ms
*/
return 0;
}
-
3.6节:实践Eigen集合模块
此例程讲述了旋转矩阵,旋转向量,欧拉角,变换矩阵,四元数之间的转换关系。 此处依照书P58,逐行叙述程序的功能。
第7行:对应Eigen的几何模块
17行:定义旋转矩阵,并初始化;
19行:定义旋转向量,并初始化赋值;
21行:将旋转向量转化为旋转矩阵,并输出;
23行:采用另一种方式,将旋转向量转化为旋转矩阵;
26行:用旋转向量进行坐标变换;
27行:输出旋转后的坐标(转置后的);
29行:用旋转矩阵进行坐标变换;
30行:输出旋转后的坐标(转置后的);
33 34行:将旋转矩阵转化为欧拉角,并输出;
37行:定义变换矩阵,并初始化;
38 39 49行:根据已知的旋转矩阵和平移向量,确定变换矩阵,并输出;
43 44行:根据变换矩阵,进行坐标变换(旋转+平移),并输出变换后的坐标(转置后的);
50行:定义四元数,并将旋转向量转化为四元数的值赋给它;
51行:输出上述结果(四元数的值);
53行:将旋转矩阵转化为四元数;
54行:输出上述结果(四元数的值)(两次转化得到的四元数值相同);
56 57行:使用四元数进行坐标变换,并输出变换后的坐标(转置后的); -
3.7节:可视化演示
按照例程文件夹中的Readme.txt来编译、运行本例程。
下面是从Readme.txt中截取的程序编译方法:
-
use pangolin: slambook/3rdpart/Pangolin or download it from github: https://github.com/stevenlovegrove/Pangolin
-
install dependency for pangolin (mainly the OpenGL):
sudo apt-get install libglew-dev -
compile and install pangolin
cd [path-to-pangolin](先需要解压Pangolin.tar.gz)
mkdir build
cd build
cmake …(注意!是2个‘.’,而不是3个!)
make
sudo make install -
compile this program:
mkdir build
cd build
cmake …(注意!是2个‘.’,而不是3个!)
make -
run the build/visualizeGeometry
运行例程时,界面左侧从上到下依次是:旋转矩阵、平移向量、欧拉角、四元数。在右侧黑色区域中,按住鼠标左键实现平移功能;按住左键实现旋转功能。