SLAM专题（11）-- G2O图优化从入门到放弃（一）

目录

1. Introduction 

1.1 什么是优化？

1.2  什么是图优化？ 

1.3 图优化理论（公式推导）

1.4  什么是G2O？

1.5 图优化与g2o流程小结

2. G2O安装指南

2.1 安装其他依赖库

2.2 克隆、下载源代码

2.3 cmake、make工程

2.4 测试g2o

3. 小结

---

1. Introduction 

本节我们将深入研究高翔博客（https://www.cnblogs.com/gaoxiang12/p/5244828.html）视觉slam中的主流优化方法——图优化（graph-based optimization）。

　　除了这篇文档，读者还可以找到一篇关于图优化的博客： http://blog.csdn.net/heyijia0327 那篇文章有作者介绍的一个简单案例，而本文则更注重对图优化和g2o的理解与评注。

文章  从零带你开始学SLAM，理解图优化和G2O代码，颇有所得 。https://mp.weixin.qq.com/s/j9h9lT14jCu-VvEPHQhtBw

1.1 什么是优化？

1.2  什么是图优化？ 

1.3 图优化理论（公式推导）

1.4  什么是G2O？

图优化g2o核心框架和技术路线

1.5 图优化与g2o流程小结

2. G2O安装指南

2.1 安装其他依赖库

本文默认安装环境为Ubuntu16.04LTS版本，其他版本如Windows、MacOS、Android 系统安装要求请移步作者Github。

https://github.com/RainerKuemmerle/g2o

---

Ubuntu16.04需要安装的依赖库（Requirements）如下：

终端输入安装依赖库命令：

sudo apt-get install libeigen3-dev libsuitesparse-dev qtdeclarative5-dev qt5-qmake libqglviewer-dev

输入sudo管理员密码，安装期间无需操作完成后退出终端即可。若出现错误代码：~dpkg被其他程序占用，则在资源管理器中将apt相关进程杀死重新安装即可。

---

2.2 克隆、下载源代码

g2o - General Graph Optimization是一个Cmake工程，其开源代码托管在github上（https://github.com/RainerKuemmerle/g2o），下载或者克隆该项目文件，切丝，备用。

克隆完成之后看一下文件结构tree，看到一大堆文件就对了，

---

2.3 cmake、make工程

编译方法类似于其他cmake工程项目，cmake、make、make install三步走。

1. 新建build文件夹

mkdir build

cd build

2. cmake工程构建

cmake ../

出现Build files have been written to：~~~~~，构建Cmake项目成功。

3. 编译make，make install

make -j4

等待编译完成

安装bin文件，sudo make install

安装成功，安装位置为 /usr/local/include/g2o/..

---

2.4 测试g2o

我们梳理是从顶层到底层，但是编程实现时需要反过来，像建房子一样，从底层开始搭建框架一直到顶层。g2o的整个框架就是按照下图中我标的这个顺序来写的。

高博在十四讲中g2o求解曲线参数的例子来说明，源代码地址：https://www.jianshu.com/p/da2f4ad9e918，

https://www.cnblogs.com/qi-zhang/p/9365199.html

#include <iostream>
#include <g2o/core/base_vertex.h>
#include <g2o/core/base_unary_edge.h>
#include <g2o/core/block_solver.h>
#include <g2o/core/optimization_algorithm_levenberg.h>
#include <g2o/core/optimization_algorithm_gauss_newton.h>
#include <g2o/core/optimization_algorithm_dogleg.h>
#include <g2o/solvers/dense/linear_solver_dense.h>
#include <Eigen/Core>
#include <opencv2/core/core.hpp>
#include <cmath>
#include <chrono>
using namespace std; 

// 曲线模型的顶点，模板参数：优化变量维度和数据类型
class CurveFittingVertex: public g2o::BaseVertex<3, Eigen::Vector3d>
{
public:
    EIGEN_MAKE_ALIGNED_OPERATOR_NEW
    virtual void setToOriginImpl() // 重置
    {
        _estimate << 0,0,0;
    }
    
    virtual void oplusImpl( const double* update ) // 更新
    {
        _estimate += Eigen::Vector3d(update);
    }
    // 存盘和读盘：留空
    virtual bool read( istream& in ) {}
    virtual bool write( ostream& out ) const {}
};

// 误差模型 模板参数：观测值维度，类型，连接顶点类型
class CurveFittingEdge: public g2o::BaseUnaryEdge<1,double,CurveFittingVertex>
{
public:
    EIGEN_MAKE_ALIGNED_OPERATOR_NEW
    CurveFittingEdge( double x ): BaseUnaryEdge(), _x(x) {}
    // 计算曲线模型误差
    void computeError()
    {
        const CurveFittingVertex* v = static_cast<const CurveFittingVertex*> (_vertices[0]);
        const Eigen::Vector3d abc = v->estimate();
        _error(0,0) = _measurement - std::exp( abc(0,0)*_x*_x + abc(1,0)*_x + abc(2,0) ) ;
    }
    virtual bool read( istream& in ) {}
    virtual bool write( ostream& out ) const {}
public:
    double _x;  // x 值， y 值为 _measurement
};

int main( int argc, char** argv )
{
    double a=1.0, b=2.0, c=1.0;         // 真实参数值
    int N=100;                          // 数据点
    double w_sigma=1.0;                 // 噪声Sigma值
    cv::RNG rng;                        // OpenCV随机数产生器
    double abc[3] = {0,0,0};            // abc参数的估计值

    vector<double> x_data, y_data;      // 数据
    
    cout<<"generating data: "<<endl;
    for ( int i=0; i<N; i++ )
    {
        double x = i/100.0;
        x_data.push_back ( x );
        y_data.push_back (
            exp ( a*x*x + b*x + c ) + rng.gaussian ( w_sigma )
        );
        cout<<x_data[i]<<" "<<y_data[i]<<endl;
    }
    
    // 构建图优化，先设定g2o
    typedef g2o::BlockSolver< g2o::BlockSolverTraits<3,1> > Block;  // 每个误差项优化变量维度为3，误差值维度为1
    Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>(); // 线性方程求解器
    Block *solver_ptr = new Block(std::unique_ptr<Block::LinearSolverType>(linearSolver)  );      // 矩阵块求解器
    // 梯度下降方法，从GN, LM, DogLeg 中选
     g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( std::unique_ptr<Block>(solver_ptr) );
//    g2o::OptimizationAlgorithmGaussNewton* solver = new g2o::OptimizationAlgorithmGaussNewton( std::unique_ptr<Block>(solver_ptr) );
//    g2o::OptimizationAlgorithmDogleg* solver = new g2o::OptimizationAlgorithmDogleg( std::unique_ptr<Block>(solver_ptr) );
    g2o::SparseOptimizer optimizer;     // 图模型
    optimizer.setAlgorithm( solver );   // 设置求解器
    optimizer.setVerbose( true );       // 打开调试输出
    
    // 往图中增加顶点
    CurveFittingVertex* v = new CurveFittingVertex();
    v->setEstimate( Eigen::Vector3d(0,0,0) );
    v->setId(0);
    optimizer.addVertex( v );
    
    // 往图中增加边
    for ( int i=0; i<N; i++ )
    {
        CurveFittingEdge* edge = new CurveFittingEdge( x_data[i] );
        edge->setId(i);
        edge->setVertex( 0, v );                // 设置连接的顶点
        edge->setMeasurement( y_data[i] );      // 观测数值
        edge->setInformation( Eigen::Matrix<double,1,1>::Identity()*1/(w_sigma*w_sigma) ); // 信息矩阵：协方差矩阵之逆
        optimizer.addEdge( edge );
    }
    
    // 执行优化
    cout<<"start optimization"<<endl;
    chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
    optimizer.initializeOptimization();
    optimizer.optimize(100);
    chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
    chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>( t2-t1 );
    cout<<"solve time cost = "<<time_used.count()<<" seconds. "<<endl;
    
    // 输出优化值
    Eigen::Vector3d abc_estimate = v->estimate();
    cout<<"estimated model: "<<abc_estimate.transpose()<<endl;
    
    return 0;
}

结果：

---

3. 小结

本文从优化理论开始，详细研究了图优化理论在SLAM中的应用原理，并简略介绍了g2o图优化的技术路线和核心框架，并介绍了在Ubuntu系统上编译g2o的方法和测试过程。