「零基础从零开始写VO视觉里程计」ceres曲线拟合 ceres_curve_fitting.cpp（7-2）

已于 2022-09-17 14:09:54 修改
阅读量372 收藏
点赞数
分类专栏： 从零开始学SLAM 文章标签： 计算机视觉 人工智能
于 2022-09-17 11:33:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_21950671/article/details/126903191
版权
本文作为「从零开始学习SLAM」系列教程的一部分，详细介绍了使用ceres库进行曲线拟合的实际操作，包括ceres_curve_fitting.cpp的实现，并提到了G2O图优化和SLAM中的相关概念，如雅可比矩阵推导、视觉里程计等。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【从零开始学习SLAM】曲线拟合项目实战教程G2O图优化 雅可比矩阵推导

【从零开始学习SLAM】两帧之间的视觉里程计并用g2o优化

【从零开始学习SLAM】BA问题用g2o求解重新投影误差优化相机位姿和路标点

【从零开始学习SLAM】3D空间点和2D特征点求位姿并用高斯牛顿和G2O优化

【从零开始学习SLAM】匹配的3D空间点对应用矩阵分解求位姿并用g2o优化

「从零开始手写VIO」第七讲学习笔记

「从零开始手写VO」如何求解线性方程 Hdx=bÿ

了解本专栏 订阅专栏 解锁全文 超级会员免费看
「零基础从零开始写VO视觉里程计」统计学、概率论、最小二乘、图优化（7-4）
小秋 AI SLAM 入门实战教程
09-17 441
一组数据按大小顺序排列，位于最中间的一个数据 (当有偶数个数据时，为最中间两个数据的平均数) 叫做这组数据的中位数。用中位数作为一组数据的代表，可靠性不高，但受极端数据影响的可能性小一些，有利于表达这组数据的 “集中趋势”。几组数据中出现次数最多的那个数据，叫做这批数据的众数。用众数作为一组数据的代表，可靠性较差，但众数不受极端数据的影响，并且求法简便，当一组数据中个别数据变动较大时，适宜选择众数来表示这组数据的 “集中趋势”。算数平均数是一组数据的和除以这组数据的个数所得的商、反映一组数的总体情况比中位数
「零基础从零开始写VO视觉里程计」3D空间点和2D特征点求位姿并用高斯牛顿和G2O优化
小秋 AI SLAM 入门实战教程
04-27 1535
双目或RGBD的视觉里程计中使用PnP估计相机运动。 PnP算法：用三对点估计位姿P3P输入：３对3D-2D匹配点，3D点是世界坐标系的坐标，2D是相机成像平面的特征点一旦3D点在相机坐标系下面的坐标能够算出来，我们就得到了3D-3D的对应点，把PnP问题转换成了ICP问题。当相机为双目，RGB-D时，或者通过某种方法获得了距离信息，那么问题就是根据两组3D点估计运动，通常用ICP解决。 如果一组为3D点，一组为2D，即，我们求得了一些3D点和它们在相机的投影位置，也能估计相机的运动，该问题通过pnp求解。
「零基础从零开始写VO视觉里程计」曲线拟合g2oCurveFitting.cpp（7-3）
小秋 AI SLAM 入门实战教程
09-17 588
从零开始手写VO」G2O用法汇总（1-3）g2o曲线拟合g2oCurveFitting.cpp。
「零基础从零开始写VO视觉里程计」G2O基础知识讲解（7-5）
小秋 AI SLAM 入门实战教程
09-17 716
HyperGraph::Vertex 是个abstract vertex，必须通过派生来使用HyperGraph::Vertex 是通过类OptimizableGraph 来继承的顶点的基类型是 BaseVertex模板类：BaseVertex， 参数 D 和 T，D是int 类型的，表示vertex的最小维度，比如3D空间中旋转是3维的，那么这里 D = 3T是待估计vertex的数据类型，比如用四元数表达三维旋转的话，T就是Quaternion 类型。
从零开始学视觉里程计——一个初学者教程
xiaobeng8998的博客
11-17 3091
从零开始学视觉里程计——一个初学者教程 目录从零开始学视觉里程计——一个初学者教程什么是里程计什么是视觉里程计为什么使用立体相机，或者为什么使用单目相机？理论足够了，现在讨论算法问题描述输入输出算法去畸变、校正视差图计算Block-Matching算法特征检测特征描述和特征匹配3D点云三角测量内部检测计算R和t结果验证一个重要的“程序”备注 什么是里程计 你见过汽车仪表盘上那个能告诉你汽车行驶了多少距离的小装置吗？它叫做里程计。它(可能)测量车轮的旋转圈数，并将其乘以周长，从而得到汽车行驶的距离的估计值。在
【从零开始学习SLAM】两帧之间的特征点视觉里程计并用g2o优化
小秋 AI SLAM 入门实战教程
05-06 1820
文章目录总结visual_odometry.cpp代码详细注释run_vo.cpp代码详细注释算法解析源码解读g2o_types.hg2o_types.cpp参考资料 总结 Config类负责参数文件的读取。 Camera类存储相机的内参和外参,并完成相机坐标系、像素坐标系、和世界坐标系之间的坐标变换。 Frame类定义了 ID、时间戳、位姿、相机、图像、提供基本的数据存储和接口。 MapPoint表示路标点估计它的世界坐标,拿当前帧提取到的特征点与地图中的路标点匹配,来估计相机的运动 Map类存储关键帧
【从零开始学习SLAM】g2o_viewer
小秋 AI SLAM 入门实战教程
04-29 2258
高斯牛顿曲线拟合 1_gauss_newton_curve_fitting.cpp #include <iostream> #include <opencv2/opencv.hpp> #include <Eigen/Core> #include <Eigen/Dense> #include <iomanip> using namespace std; using namespace cv; using namespace Eigen; int
ORB_SLAM2算法中g2o图优化的用法
小秋 AI SLAM 入门实战教程
02-03 669
图优化，就是把优化问题表现成图(Graph)的一种方式，一个图由若干顶点(Vertex)以及连接这些顶点的边(Edge)构成。用顶点表示优化变量，用边表示误差项。BlockSolver_6_3 ：表示pose是6维，观测点是3维。用于3D SLAM中的BABlockSolver_7_3：在BlockSolver_6_3的基础上多了一个scaleBlockSolver_3_2：表示pose是3维，观测点是2维。
【从零开始学习SLAM】BA问题用g2o求解重新投影误差优化相机位姿和路标点
小秋 AI SLAM 入门实战教程
05-18 1988
文章目录前言编译运行算法解析源码解读g2o_bundle.cpp第二版 g2o_bal_class.h第一版 g2o_bal_class.h 前言 视觉SLAM十四讲系列之第十讲g2o_bundle.cpp源码解读 编译运行 mkdir build cd build cmake .. make cd build ./g2o_customBundle -input /home/q/projects/slambook/ch10/g2o_custombundle/data/problem-16-22106-.
视觉里程计
11-27 2077
一、概念 VO的目标是根据拍摄的图像估计相机的运动。主要分为特征点法和直接方法。特征点法能够在噪声较大、相机运动较快时工作，构建地图是稀疏特征点；直接方法不需要提特征，能够建立稠密地图，计算量大，目前鲁棒性不好。 二、原理 利用图像信息恢复车身本体的六自由度运动，包括三自由度的旋转和三自由度的平移。基于图像信息的自运动估计方法。特征点法的基本步骤包括：特征提取、特征匹配、坐标变换和运动估计。与此联系紧密的两个研究领域是形状信息运动复原（SFM）算法和SLAM算法。SLAM中，实时估计相机的位置和标志的空间位
视觉里程计Visual Odometry(VO)
hxxjxw的博客
09-20 1954
视觉里程计（Visual Odometry，简称VO）是SLAM技术中非常关键的部分，主要侧重于计算机视觉算法. 视觉里程计这个术语借鉴了汽车的车轮里程计的概念，还是挺贴切的。 我们知道汽车的车轮里程计是用来测量车速、行驶距离的测量装置。它的原理可以简单的做如下理解：汽车的车轮直径是已知的，那么车轮的周长也可以计算出来，都是一个恒定的值。车轮上安装有一个“计数器”，车轮每转动一圈就记一次数字，两次计数之间的时间也是可以测量的，因此根据车轮的周长和两次计数时间差...
【死磕slam14】slambook2第六讲 详解ceresCurveFitting.cpp
zhangyuanbonj的博客
11-20 424
【代码】【死磕slam14】slambook2第六讲 详解ceresCurveFitting.cpp。
VO：简单的视觉里程计代码注释（代码可运行）
try_again_later的博客
10-11 5862
走完SLAM十四讲前端之后，代码都已经注释完，但还是感觉有点迷茫，所以专门参考冯兵的博客，实现简单的视觉里程计。 收获是又重新认识到了C++基础的薄弱，决定之后的晚上要刷牛客题。不过就SLAM前端而言这部分基本可以理解代码了，这篇对VO代码进行注释。 基本过程： 1、获取图像 2、对图像进行处理 3、通过FAST算法对图像进行特征检测，通过KLT光流法跟踪图像的特征，如果跟踪的特征有所丢失，特...
《视觉SLAM十四讲》ch6中运行ceresCurveFitting.cpp所需依赖库
qq_72449618的博客
03-30 260
4.当你运行时会发现有一大堆的相关库没有链接上，在这我放出编译命令，已经将用到的所有库正确链接，大家根据自己的路径加以修改。ceres-solver,否则会报一系列有关头文件错误。2.如果下载好所需的ceres-solver之后，记得。1.首先，需要注意的是，一定要。
Ceres 曲线拟合
zfjBIT的专栏
07-15 1261
Ceres 求解的最小二乘问题最一般的形式如下（带边界的核函数最小二乘）： 可以看到，目标函数由许多平方项，经过一个核函数 ρ(·) 之后，求和组成。在最简 单的情况下，取 ρ 为恒等函数，则目标函数即为许多项的平方和。在这个问题中，优化变量为 x1, . . . , xn，fi 称为代价函数（Cost function），在 SLAM 中亦可理解为误差项。lj和 uj 为第 j 个优化变量...
尝试运行示例：使用Ceres拟合曲线
一个搬运知识的笨小孩
05-02 236
CMakeLists.txt cmake_minimum_required(VERSION 3.13) project(cerescurve) set(CMAKE_CXX_STANDARD 14) #Ceres #搜索外部库 find_package(Ceres REQUIRED) #指定头文件的搜索路径,编译器查找相应文件 include_directories(${CERES_INCLUDE_DIRS}) #OpenCV #搜索外部库 find_package(OpenCV REQUIRED) #
ceres拟合直线
songjianliuhan的博客
09-30 740
最小二乘问题 它通过最小化误差的平方和寻找数据的最佳函数匹配 直线方程 y = kx +b 要求未知数k 和 b 已知点 （x1,y1）…（xn,yn） 若点无误差。解即变为一般方程组有唯一解问题 一般点云分布如下图（PS:此图为盗图） 我们要求k和b使得偏差平方之和最小（最小二乘） 偏差 = y-kx-b 使用强大的ceres 构建代价函数 struct LineResidual { LineResidual(double x, double y) :x_(x), y_(y){}
ceres拟合曲线——自动求导对高阶非线性函数的低鲁棒性
qq_43495930的博客
09-15 271
今天在敲ceres的代码的时候，发现ceres的自动求导方法对于求解带噪声的曲线拟合问题表现出来一些拟合出错的情况，记录下来。y=e0.3x2+0.2x+0.9y=e^{0.3x^2+0.2x+0.9}y=e0.3x2+0.2x+0.9 结果 短区间 如果把数据区间设定为[0,4][0,4][0,4]，在均值为15的噪声下，虽然最后可以把曲线拟合出来，但是系数其实不对： 如果把数据区间设定为[0,8][0,8][0,8]，在均值为15的噪声下，结果是正确的：
ceres学习笔记3——曲线拟合powell.cc
qq_42731705的博客
10-09 266
1.官方程序 对于曲线拟合问题，对于每个数据都会有一个残差，定义的残差对象中还需要包含观测到的数据，所以相比前面的有一些不同。由于最后是要计算残差的平方和最小，所以说对于每一组观测数据（对应一个残差），都需要添加到Problem的残差块中。 这里带估计的变量有两个，分别是m和c，官方程序还是把他们分开来了，每个优化变量都是一维的，实际同上一节的笔记记录，这里也是可以写成一个数组，把多个一维变量变成一个多维变量。 struct ExponentialResidual { ExponentialResid.
#bin/simple_bundle_adjuster ../ceres-solver-2.0.0/data/problem-16-22106-pre.txt
最新发布
03-30
### 运行 Ceres Solver 中的 `simple_bundle_adjuster` 示例 为了运行 Ceres Solver 2.0.0 版本中的 `simple_bundle_adjuster` 并处理文件 `problem-16-22106-pre.txt`，需要按照以下方式操作： 在终端中执行命令时，需确保路径指向正确的可执行文件以及数据文件位置。对于 Ceres Solver 2.0.0，假设已成功编译并安装该版本，则可以使用如下命令来调用 `simple_bundle_adjuster` 工具[^3]。 ```bash bin/simple_bundle_adjuster ../ceres-solver-2.0.0/data/problem-16-22106-pre.txt ``` 上述命令假定当前目录下存在名为 `bin` 的子目录，并且其中包含了编译后的 `simple_bundle_adjuster` 可执行程序；同时，还假定了相对路径下的 `../ceres-solver-2.0.0/data/` 存储有目标测试文件 `problem-16-22106-pre.txt`。 如果实际项目结构有所不同或者安装过程中自定义了某些选项（比如更改默认构建输出路径），则可能需要调整具体路径参数以匹配实际情况。例如，当采用不同的源码克隆地址或分支时，可能会遇到类似下面这样的情况说明[^1][^2]: #### 路径差异注意事项 - 如果是从旧版升级到新版 (如从 ceres-solver-1.14.0 到 ceres-solver-2.0.0)，需要注意官方仓库结构调整可能导致的数据文件存储位置变化。 #### 验证环境配置正确性的方法 确认开发环境中已经完成必要的依赖项设置并且能够正常加载库函数之后再尝试启动示例应用。可以通过简单的打印帮助信息验证工具本身是否可用： ```bash bin/simple_bundle_adjuster --help ``` 这一步骤有助于排查潜在错误来源，例如找不到指定输入文件等问题。 --- ### 提供一段 Python 脚本来辅助自动化此过程 以下是用于自动检测是否存在所需二进制文件及其对应数据集的一个简单脚本实例： ```python import os def check_files(binary_path, data_file): binary_exists = os.path.isfile(binary_path) data_exists = os.path.isfile(data_file) if not binary_exists or not data_exists: message_parts = [] if not binary_exists: message_parts.append(f"Binary '{binary_path}' does NOT exist.") if not data_exists: message_parts.append(f"Data file '{data_file}' does NOT exist.") raise FileNotFoundError("\n".join(message_parts)) if __name__ == "__main__": try: binary_location = "./bin/simple_bundle_adjuster" dataset_location = "../ceres-solver-2.0.0/data/problem-16-22106-pre.txt" check_files(binary_location, dataset_location) print("All required files are present and ready to use!") except Exception as e: print(e) ``` 通过运行以上代码片段可以帮助快速定位缺失组件从而更高效解决问题。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小秋slam实战

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值