前言:
g2o中用顶点表示优化变量,用边表示误差项。
一条边连接几个顶点就是就是几元边(就是误差项中有几个优化变量,两元边最常见)
情景1:只优化位姿,不优化地图点时
1.顶点就是位姿,边的误差项一般为:A到B为位姿×B到A的位姿=E,log(E)=0的原理。
2.顶点是位姿和地图点,但是地图点不参与优化。边的误差项一般为重投影误差。
顶点的预测值为优化前位姿(3d),边的观测值为特征点坐标(2d)
顶点的个数为优化的位姿数量,如果只优化当前帧则个数为1,如果优化多个关键帧,则顶点个数为多个。
边的个数为匹配成功的特征点个数,如果只优化当前帧则为当前帧成功匹配到的特征点个数。
情景2:同时优化位姿和地图点时
顶点就是位姿和地图点,边的误差项一般为重投影误差。
g2o的使用主要有以下几个步骤:
1.定义顶点和边的类型。
2.构建图。
3.选择优化算法。
4.调用g2o进行优化,返回结果。
g2o编程流程流程图:
示例:
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
// 第1步:创建一个线性求解器LinearSolver
Block::LinearSolverType* linearSolver = new g2o::LinearSolverDense<Block::PoseMatrixType>();
// 第2步:创建BlockSolver。并用上面定义的线性求解器初始化
Block* solver_ptr = new Block( linearSolver );
// 第3步:创建总求解器solver。并从GN, LM, DogLeg 中选一个,再用上述块求解器BlockSolver初始化
g2o::OptimizationAlgorithmLevenberg* solver = new g2o::OptimizationAlgorithmLevenberg( solver_ptr );
// 第4步:创建终极大boss 稀疏优化器(SparseOptimizer)
g2o::SparseOptimizer optimizer; // 图模型
optimizer.setAlgorithm( solver ); // 设置求解器
optimizer.setVerbose( true ); // 打开调试输出
// 第5步:定义图的顶点和边。并添加到SparseOptimizer中
CurveFittingVertex* v = new CurveFittingVertex(); //往图中增加顶点
v->setEstimate( Eigen::Vector3d(0,0,0) ); //顶点的预测值
v->setId(0);
optimizer.addVertex( v );
for ( int i=0; i<N; i++ ) // 往图中增加边
{
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 );
}
// 第6步:设置优化参数,开始执行优化
optimizer.initializeOptimization();
optimizer.optimize(100);
g2o顶点编程套路:
g2o本身内部定义了一些常用的顶点类型:
VertexSE2 : public BaseVertex<3, SE2> //2D pose Vertex, (x,y,theta)
VertexSE3 : public BaseVertex<6, Isometry3> //6d vector (x,y,z,qx,qy,qz) (note that we leave out the w part of the quaternion)
VertexPointXY : public BaseVertex<2, Vector2>
VertexPointXYZ : public BaseVertex<3, Vector3>
VertexSBAPointXYZ : public BaseVertex<3, Vector3>
// SE3 Vertex parameterized internally with a transformation matrix and externally with its exponential map
VertexSE3Expmap : public BaseVertex<6, SE3Quat>
// SBACam Vertex, (x,y,z,qw,qx,qy,qz),(x,y,z,qx,qy,qz) (note that we leave out the w part of the quaternion.
// qw is assumed to be positive, otherwise there is an ambiguity in qx,qy,qz as a rotation
VertexCam : public BaseVertex<6, SBACam>
// Sim3 Vertex, (x,y,z,qw,qx,qy,qz),7d vector,(x,y,z,qx,qy,qz) (note that we leave out the w part of the quaternion.
VertexSim3Expmap : public BaseVertex<7, Sim3>
如果内部定义的顶点类型不满足需求,重新定义顶点一般需要考虑重写如下函数:
virtual bool read(std::istream& is); //读盘函数
virtual bool write(std::ostream& os) const; //存盘函数
virtual void oplusImpl(const number_t* update); //顶点的更新函数
virtual void setToOriginImpl(); //顶点的重置函数
向图中添加顶点:
int index = 1;
for ( const Point3f p:points_3d ) // landmarks
{
// 创建一个顶点,指向g2o库中的VertexSBAPointXYZ类型的对象
g2o::VertexSBAPointXYZ* point = new g2o::VertexSBAPointXYZ();
// 为顶点设置ID,该ID为index+1
point->setId ( index++ );
// 设置优化变量的初始估计值,将点的x、y、z坐标作为Vector3d类型传入
point->setEstimate ( Eigen::Vector3d ( p.x, p.y, p.z ) );
// 将该顶点设为边缘化变量,表示该点变量可以被边缘化掉,以加速优化过程
point->setMarginalized ( true );
// 将该顶点变量添加到优化器中
optimizer.addVertex ( point );
}
g2o边的代码套路:
重新定义边一般需要考虑重写如下函数:
virtual bool read(std::istream& is); //read,write:分别是读盘、存盘函数,一般情况下不需要进行读/写操作的话,仅仅声明一下就可以
virtual bool write(std::ostream& os) const;
virtual void computeError(); //非常重要,是使用当前顶点的值计算的测量值与真实的测量值之间的误差
virtual void linearizeOplus(); //非常重要,是在当前顶点的值下,该误差对优化变量的偏导数,也就是我们说的Jacobian
除了上面几个成员函数,还有几个重要的成员变量和函数:
_measurement:存储观测值
_error:存储computeError() 函数计算的误差
_vertices[]:存储顶点信息,比如二元边的话,_vertices[] 的大小为2,存储顺序和调用setVertex(int, vertex) 是设定的int 有关(0 或1)
setId(int):来定义边的编号(决定了在H矩阵中的位置)
setMeasurement(type) 函数来定义观测值
setVertex(int, vertex) 来定义顶点
setInformation() 来定义协方差矩阵的逆
定义二元边示例:
//继承了BaseBinaryEdge类,观测值是2维,类型Vector2D,顶点分别是三维点、李群位姿
class G2O_TYPES_SBA_API EdgeProjectXYZ2UV : public BaseBinaryEdge<2, Vector2D, VertexSBAPointXYZ, VertexSE3Expmap>{
public:
EIGEN_MAKE_ALIGNED_OPERATOR_NEW;
//1. 默认初始化
EdgeProjectXYZ2UV();
//2. 计算误差
void computeError() {
//李群相机位姿v1
const VertexSE3Expmap* v1 = static_cast<const VertexSE3Expmap*>(_vertices[1]);
// 顶点v2
const VertexSBAPointXYZ* v2 = static_cast<const VertexSBAPointXYZ*>(_vertices[0]);
//相机参数
const CameraParameters * cam
= static_cast<const CameraParameters *>(parameter(0));
//误差计算,测量值减去估计值,也就是重投影误差obs-cam
//估计值计算方法是T*p,得到相机坐标系下坐标,然后在利用camera2pixel()函数得到像素坐标。
Vector2D obs(_measurement);
_error = obs-cam->cam_map(v1->estimate().map(v2->estimate())); //误差 = 观测 - 投影
}
//3. 线性增量函数,也就是雅克比矩阵J的计算方法
virtual void linearizeOplus();
//4. 相机参数
CameraParameters * _cam;
bool read(std::istream& is);
bool write(std::ostream& os) const;
};
向图中添加二元边:
index = 1;
for ( const Point2f p:points_2d )
{
g2o::EdgeProjectXYZ2UV* edge = new g2o::EdgeProjectXYZ2UV();
edge->setId ( index );
edge->setVertex ( 0, dynamic_cast<g2o::VertexSBAPointXYZ*> ( optimizer.vertex ( index ) ) );
edge->setVertex ( 1, pose );
edge->setMeasurement ( Eigen::Vector2d ( p.x, p.y ) );//p来自向量points_2d,也就是特征点的图像坐标(x,y)
edge->setParameterId ( 0,0 );
edge->setInformation ( Eigen::Matrix2d::Identity() );
optimizer.addEdge ( edge );
index++;
}
g2o与ceres的比较:
g2o库:
公开的API说明比较少,对入门小白不太友好,看起来会头大。
使用固定的模板,不太灵活
提供了预先定义好的接口,需要做的工作比较简单,比较傻瓜
ceres库:
本身是针对一般优化问题的库,更通用
给了开发者很大的空间和自由度去自己设计优化策略
当然需要做的工作也比较多,需要自己定义顶点边等接口
总之,g2o就像一个傻瓜相机,预先设置好了很多参数,你 只能从固定模式中选择
ceres就像一个专业相机,需要你懂参数,然后自己根据需要调节参数,适用范围更广
g2o的输出信息:
iteration,表示迭代次数
chi2, chi表示误差平方
time,表示运行时间
cumTime,表示积累的运行时间
edges,表示边的数目
schur,表示舒尔补
参考文章:
从零开始一起学习SLAM | 理解图优化,一步步带你看懂g2o代码:
从零开始一起学习SLAM | 理解图优化,一步步带你看懂g2o代码
从零开始一起学习SLAM | 掌握g2o顶点编程套路:
从零开始一起学习SLAM | 掌握g2o边的代码套路: