1.背景
在手眼标定中,求解AX=XB基本是个绕不过去的问题,其中A、B、X都是4*4的变换矩阵。不过还好,网上有不少现成的代码。
2.各种解法
经过初步检测,部分代码得到的结果良好,现在把我经过测试基本符合要求的发出来,仅供参考
注意,下面的代码基本都要用到【Eigen】这个库,请先安装配置好这个库再使用下面的代码。
2.1.解法1(chatgpt给的,效果一般)
void AXXBTest()
{
// 定义矩阵A和B
Eigen::Matrix4d A, B;
// 设置A和B的值
A << 0.9951070418405665, 0.09833447156013869, -0.009607652278522231, -0.1834429495359904,
0.0986618674759368, -0.9941695948028406, 0.04350462821029899, -0.07756771360648877,
-0.005273631147264981, -0.04423967080058273, -0.9990070271734722, 0.4807538282250369,
0, 0, 0, 1;
B << 0.9943477554988256, 0.09927144759666691, -0.03765263372607622, -0.1563855785254715,
0.1005067113133437, -0.9944065212933074, 0.03246646562715001, -0.08892271309585634,
-0.03421903147992392, -0.03606729961343019, -0.9987633392266513, 0.4951639944945874,
0, 0, 0, 1;
Eigen::Matrix4d X;
/***方法1***/
// // 通过对系数矩阵进行LU分解,将原问题转化为两个子问题:一个是求解Ly = b,另一个是求解Ux = y,其中L和U分别代表系数矩阵的下三角和上三角部分。
// // 需要注意的是,使用LU分解求解线性方程组的复杂度是O(n^3),因此在处理较大规模的问题时可能会比QR分解慢一些。此外,如果系数矩阵A的奇异性(singularity)很高,
// // 那么在使用LU分解时可能会遇到数值上的问题。
// {
// // 求解线性方程组Ax=xB
// X = A.lu().solve(B);
// }
/***方法2***/
// 关于解决AX=XB的问题,一个较为高效的方法是使用矩阵分解来求解。可以将A和B分别分解成QR分解或LU分解等形式,并将X写成一些未知量的乘积,然后代入方程,进而得到未知量的值。
// 以下是给出一个基于QR分解的示例代码:
// 在这个方法中,QR分解可以确保有解,且求解速度较快。同时,使用矩阵分解的方法不需要显式地计算 Kronecker 积,因此可以更好地避免数值上的问题。
{
// 对 A、B 进行 QR 分解
HouseholderQR<Matrix4d> qrA(A);
HouseholderQR<Matrix4d> qrB(B);
// 构造 R1 和 R2 矩阵
Matrix4d R1 = qrA.matrixQR().triangularView<Upper>();
Matrix4d R2 = qrB.matrixQR().triangularView<Upper>();
// 构造 Q1 和 Q2 矩阵
Matrix4d Q1 = qrA.householderQ();
Matrix4d Q2 = qrB.householderQ();
// 求解 X
X = Q1.transpose() * Q2;
X = R1.inverse() * X;
X = X * R2.inverse();
}
// 输出解矩阵X
std::cout << "The solution is:\n" << X << std::endl;
// 验证一下结果
std::cout << "A*X:" << A*X << std::endl;
std::cout << "X*B:" << X*B << std::endl;
}
输出的结果:
2.2.解法2
在github上,有个人基于Eigen搞了个计算AX=XB的库,测试了一下,效果比解法1的效果要好。
我注释了他源码的部分代码,使其能够仅使用一组AB数据。
下面这个是测试代码:
#include "axxb/andreffextendedaxxbsolver.h"
#include "axxb/conventionalaxxbsvdsolver.h"
#include "axxb/extendedaxxbelilambdasvdsolver.h"
void AXXBTest()
{
// 定义矩阵A和B
Eigen::Matrix4d A, B;
// 设置A和B的值
A << 0.9951070418405665, 0.09833447156013869, -0.009607652278522231, -0.1834429495359904,
0.0986618674759368, -0.9941695948028406, 0.04350462821029899, -0.07756771360648877,
-0.005273631147264981, -0.04423967080058273, -0.9990070271734722, 0.4807538282250369,
0, 0, 0, 1;
B << 0.9943477554988256, 0.09927144759666691, -0.03765263372607622, -0.1563855785254715,
0.1005067113133437, -0.9944065212933074, 0.03246646562715001, -0.08892271309585634,
-0.03421903147992392, -0.03606729961343019, -0.9987633392266513, 0.4951639944945874,
0, 0, 0, 1;
// 需要计算的X
Eigen::Matrix4d X;
// 调用这个人的算法,本来是需要两组以上的数据的。但是我这里为了演示方便,只用一组了。
// 在实际的手眼标定项目中,取得两组以上的A、B应该不是太难的事
std::vector<Pose> posA;
std::vector<Pose> posB;
posA.push_back(A);
posB.push_back(B);
// 这里有三个计算器,可以分别测试一下,看看哪个会好一点。
// AndreffExtendedAXXBSolver solver(posA, posB);
ConventionalAXXBSVDSolver solver(posA, posB); // 这个效果最好
// ExtendedAXXBEliLambdaSVDSolver solver(posA, posB);
X = solver.SolveX();
// 输出解矩阵X
std::cout << "The solution is:\n" << X << std::endl;
// 验证一下结果
std::cout << "A*X:" << A*X << std::endl;
std::cout << "X*B:" << X*B << std::endl;
}
输出的结果:
效果看上去相当好。尤其这个是只用了一组数据的,假如有多组数据,效果不知道会不会更好一些。
2.2.解法3
opencv也有个类似的函数,有机会测试一下: cv::calibrateHandEye。
3.总结
从结果可以看到,利用解出来的X计算对比一下AX、XB,虽然AX与BX没有绝对完全相等,但是基本符合要求,先将就着用。
参考:
【c++ 的 Eigen库写 AX=XB的矩阵求解代码】
ChatGPT
【 zhixy/SolveAXXB】