SLAM Cartographer（18）后端优化问题求解器

最新推荐文章于 2024-07-03 11:31:18 发布
最新推荐文章于 2024-07-03 11:31:18 发布
阅读量5.2k 收藏 1
点赞数 3
分类专栏： OpenSLAM # Cartographer 文章标签： 自动驾驶 人工智能
本文为氢键H-H原创文章，未经允许请勿用于商业用途，转载请注明出处
本文链接：https://blog.csdn.net/qq_32618327/article/details/123402286
版权
本文介绍了SLAM Cartographer的后端优化过程，涉及全局优化、数据提供、后端优化器及求解过程。全局优化通过SPA技术利用LM方法进行非线性寻优，优化子图和节点的位姿，减少估计偏差。数据提供将子图和节点信息传递给后端优化器。后端优化器通过Ceres库解决优化问题，定义子图和节点的全局位姿作为优化参数，添加残差项来描述约束关系，并最终进行求解。
摘要由CSDN通过智能技术生成

SLAM Cartographer（18）后端优化问题求解器

1. 全局优化

已经讨论了《SLAM Cartographer（16）约束构建器》和《SLAM Cartographer（17）分支定界闭环检测》，实际上它只是用来检测子图与节点之间可能的闭环关系，并为之建立约束
对于整个地图的优化而言，它只是成功的更新了位姿图的拓扑结构

还需要根据后端优化问题，考察所有约束，调整子图和节点的位姿，来最小化全局估计与局部估计之间的偏差

在《SLAM Cartographer（15）位姿图》中，在工作列队了解了当约束构建器在后台完成了一些工作之后，就会调用WhenDone接口注册的回调函数HandleWorkQueue，该约束构建器回调函数中执行了全局优化计算：


                

                
                
        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        

    

      

        

            

              
                
                  氢键H-H
                
              
            

            

                关注
              
            

        

        

          
      

      

            

                专栏目录
          

                

                        订阅专栏
                









                



	

		

			

				
					
(02)Cartographer源码无死角解析-(72) 2D后端优化→OptimizationProblem2D-约束残差、landmark残差

				
			

			

				

					江南才尽江南山，年少无知年少狂！
				

				

					07-03
					
					890
					
				

			

		

		

			
				
在继续分析 OptimizationProblem2D::Solve() 函数之前，这里把之前本人的一些理解再重复一次。个人理解个人理解这里，本人抛砖引为引玉，谈一下个人对后端优化的理解。首先后端优化是从一个整理来考虑的，其基于 global 系。利用到到了子图与子图之间的变换关系，可以在前端(基于local系)过程中，子图单个相对于 local系 的位姿，可以说他们是没有直接联系到一起的。

			
		

	



                

              
                



	

		

			

				
					
SHOT:混合整数非线性优化问题的求解器

				
			

			

				

					05-04
				

			

		

		

			
				
支持的超平面优化工具包
 SHOT是用于解决混合整数非线性规划（MINLP）类的数学优化问题的软件。 除了MINLP问题外，SHOT还可以用于子类，例如NLP和MI（QC）QP。
 SHOT最初仅用于凸MINLP问题，但从1.0版开始，它还具​​有解决非凸MINLP问题的功能，作为一种启发式方法，而无需提供任何全局最优性的保证。 SHOT还可以将某些非凸问题类型求解为全局最优值，并且对于非凸问题也保证目标函数值的边界。
 可以使用SHOT
 作为控制台应用程序，
 来自 ，
 在，
 来自任何可以使用ASL的建模系统，例如
 ，
  ）和
 ，
 使用以C ++实现的API。
 SHOT需要使用解算器：  ， 或 。 此外，还需要一个NLP求解器。 目前仅支持 。 如果SHOT与GAMS连接，则可以使用任何许可的NLP求解器。
 该文档在项目网站。
 SHOT是一个COIN-OR项目，并赢

			
		

	



                


  
              

                


	

		

			

				
					
Cartographer源码阅读---后端优化思路

				
			

			

				

					qq_41663016的博客
				

				

					05-16
					
					1689
					
				

			

		

		

			
				
进入到后端, Cartographer在pose_graph中实现了约束与节点的添加, 在optimization_problem中实现优化. 约束的构建方法由于传感器类型不同, 也多种多样, 不同的构建方法实现了相互的约束, 所以可以实现整体的优化.

			
		

	





	

		

			

				
					
Cartographer前后端梳理

					
最新发布

				
			

			

				

					古月居
				

				

					07-03
					
					824
					
				

			

		

		

			
				
最近在研究整个SLAM框架的改进处，想着能不能从Cartographer中找到一些亮点可以用于参考。所以这一篇博客希望能够梳理好Cartographer前后端优化，并从中得到一些启发。carto整体是graph-based框架，前端是scan-map匹配，后端是SPA优化。前端又分为CSM+Ceres两个部分，完成匹配后则会进入子图生成维护中。在子图维护以及优化后放入后端优化，完成全局地图优化和回环检测。下图来自cartographer 代码分析。

			
		

	



		

			
		



	

		

			

				
					
cartographer探秘第四章之代码解析（六） --- 后端优化 --- 优化求解

				
			

			

				

					李想的博客
				

				

					09-11
					
					2082
					
				

			

		

		

			
				
本次阅读的源码为 release-1.0 版本的代码

https://github.com/googlecartographer/cartographer_ros/tree/release-1.0

https://github.com/googlecartographer/cartographer/tree/release-1.0

也可以下载我上传的 全套工作空间的代码，包括 protobu...

			
		

	





	

		

			

				
					
(02)Cartographer源码无死角解析-(54) 2D后端优化→PoseGraphInterface、PoseGraph、PoseGraph2D::AddNode()

				
			

			

				

					江南才尽江南山，年少无知年少狂！
				

				

					02-03
					
					1703
					
				

			

		

		

			
				
通过上一篇博客，再次对 global_trajectory_builder.cc 文件中的 AddSensorData() 进行了分析，同时简要提及位姿图。在Cartographer 中，位姿图优化核心类为 src/cartographer/cartographer/mapping/internal/2d/pose_graph_2d.cc 文件中的 PoseGraph2D。其函数 PoseGraph2D::AddNode() 起到了前端与后端交互作用。

			
		

	





	

		

			

				
					
(02)Cartographer源码无死角解析-(53) 2D后端优化→位姿图优化理论(SPA)讲解、核型函数调用流程

				
			

			

				

					江南才尽江南山，年少无知年少狂！
				

				

					02-01
					
					2779
					
				

			

		

		

			
				
通过前面的一系列博客，已经完成了2D点云扫描匹配：含相关性暴力搜索匹配以及ceres扫描匹配的讲解。总得来说，关于Cartographer前端数据处理以及前端位姿优化的相关代码已经深入解析。那么接下来，就是对后端部分代码讲解，这里暂时还是以2D后端优化为例，后续再向3D扩展。由节点和边组成的一种数据结构, 节点之间的关系可以是任意的, 图中任意两节点之间都可能相关(存在边)。

			
		

	





	

		

			

				
					
(02)Cartographer源码无死角解析-(61) 2D后端优化→ComputeConstraintsForNode() 与 什么是约束-白话篇

				
			

			

				

					江南才尽江南山，年少无知年少狂！
				

				

					05-17
					
					664
					
				

			

		

		

			
				
通过前面两篇博客，已经知道了如何使用 Cartographer 中的线程池，且为为线程池添加任务。疑问1疑问1global_submap_poses 等价于 PoseGraph2D::data_.global_submap_poses_2d 是何时进行优化的。疑问2疑问2为什么要等待约束计算完成之后再调用 PoseGraph2D::HandleWorkQueue()，同时源码又是如何实现的。

			
		

	





	

		

			

				
					
(02)Cartographer源码无死角解析-(68) 2D后端优化→FastCorrelativeScanMatcher2D -分支定界算法(BranchAndBound)2

				
			

			

				

					江南才尽江南山，年少无知年少狂！
				

				

					07-02
					
					466
					
				

			

		

		

			
				
(02)Cartographer源码无死角解析-(67) 2D后端优化→FastCorrelativeScanMatcher2D -分支定界算法1。

			
		

	





	

		

			

				
					
Go！最新NeRF和SLAM结合开源方案！超越NICE-SLAM和DROID-SLAM！

				
			

			

				

					3D视觉工坊
				

				

					09-11
					
					841
					
				

			

		

		

			
				
作者：泡椒味的口香糖 | 来源：3D视觉工坊在公众号「3D视觉工坊」后台，回复「原论文」即可获取论文pdf和代码。添加微信：dddvisiona，备注：SLAM，拉你入群。文末附行业细分群。0. 笔者个人体会NeRF这两年真的是火出天际，ICCV 2023有非常多的NeRF文章，有优化速度精度的，也有动态环境这样的特殊场景NeRF。但NeRF和SLAM结合还是一个很新兴的方向，首先实时性难以保证，...

			
		

	





	

		

			

				
					
Cartographer源码阅读2D-后端优化-SPA

				
			

			

				

					yeluohanchan的博客
				

				

					09-30
					
					726
					
				

			

		

		

			
				
Cartographer源码阅读-2D后端优化-SPA
SPA优化
关于SPA，类：
// 存放Node的信息
struct NodeSpec2D {
  common::Time time; // 该帧的时间
  transform::Rigid2d local_pose_2d;// 不带重力对齐的LocalSLAM下的位姿
  transform::Rigid2d global_pose_2d;// 不带重力对齐的GlobalSLAM下的位姿
  Eigen::Quaterniond gravity_a

			
		

	





	

		

			

				
					
优化求解器

				
			

			

				

					gghnb的博客
				

				

					03-11
					
					393
					
				

			

		

		

			
				
网址：https://www.ibm.com/cn-zh/products/ilog-cplex-optimization-studio。网址：https://www.lindo.com/index.php/products/lingo-and-optimization-modeling。网址：https://www.fico.com/en/products/fico-xpress-optimization。GLPK：开源的求解器。网址：https://www.gnu.org/software/glpk。

			
		

	





	

		

			

				
					
cartographer探秘第四章之代码解析（五） --- 后端优化 --- 闭环约束2 --- FastCorrelativeScanMatcher2D

				
			

			

				

					李想的博客
				

				

					09-11
					
					3247
					
				

			

		

		

			
				
本次阅读的源码为 release-1.0 版本的代码

https://github.com/googlecartographer/cartographer_ros/tree/release-1.0

https://github.com/googlecartographer/cartographer/tree/release-1.0

也可以下载我上传的 全套工作空间的代码，包括 protobu...

			
		

	





	

		

			

				
					
非常详细的优化问题求解器列表

				
			

			

				

					qinghai5068的专栏
				

				

					11-09
					
					8162
					
				

			

		

		

			
				
摘自：http://ascend4.org/Survey_of_optimisation_software

Survey of optimisation software






The following is a survey of optimisation software that was performed as a part of our effort to i

			
		

	





	

		

			

				
					
学习笔记 --SLAM 优化器g2o

				
			

			

				

					～勿据散客～的博客
				

				

					12-12
					
					1027
					
				

			

		

		

			
				
SLAM的后端通常有两种处理方法：

以扩展卡尔曼滤波（EKF）为代表的滤波方法；


优势：在计算资源受限、待估计量比较简单的状况下，EKF为表明的滤波方法比较有效，常常用在激光SLAM中。
缺点：存储量和状态量是平方增加关系，由于存储的是协方差矩阵，所以不适合大型场景。而如今基于视觉的SLAM方案，路标点（特征点）数据很大，滤波方法根本吃不消，因此此时滤波的方法效率很是低。


以图优化为代表的非线性优化方法。

g2o的基本类结构

从右下角往上走：
1、选择线性方程求解器
用于计算迭代过程当中最关键

			
		

	





	

		

			

				
					
Cartographer代码阅读笔记：后端优化器

				
			

			

				

					weixin_38651019的博客
				

				

					10-11
					
					855
					
				

			

		

		

			
				
###后端优化简介
Cartographer的后端优化器是通过SPA（Sparse Pose Adjustment）的技术，根据路径节点和子图之间的约束关系，最终优化路径节点和子图的世界坐标。路径节点和子图之间的约束关系是由约束构建器通过回环检测方法得到的。而所谓的SPA技术，本质上还是通过LM（Levenberg-Marquardt）方法进行非线性寻优。并且由于不是所有的子图和路径节点之间都能成功构建约束，以至于LM的增量方程中的H矩阵是一个稀疏矩阵，这样就可以通过使用一些优化手段来降低对内存的需求，提高

			
		

	





	

		

			

				
					
cartographer的后端核心，后端优化OptimizationProblem2D::Solve

				
			

			

				

					南北粉面馆
				

				

					03-11
					
					1163
					
				

			

		

		

			
				
简介：cartograoher使用位姿图优化来slam，从代码上来看是一股脑的处理所有数据，这样当数据不断增长时就很不利，可以试试因子图的方案，或者是vins的策略。cartographer也不是一点也没有，他使用了frozen_trajectories的策略，就是该路径不需要再优化就设置为frozen，但是何时设置为Frozen呢？这是个问题，所以cartographer是希望大地图是由小地图拼起来的，每次建小地图然后保存，然后再加载时设置为frozen，然后再建新图再一起保存。
虽然功能上还是有些可以优

			
		

	





	

		

			

				
					
视觉SLAM中的后端优化是怎么利用信息矩阵划分权重的

				
			

			

				

					06-10
				

			

		

		

			
				
在视觉 SLAM 中，后端优化通常会使用信息矩阵来划分各个观测量的权重。信息矩阵可以看作是协方差矩阵的逆矩阵，它描述了观测量之间的相关性，可以用来量化不同观测量的准确性和置信度。  在后端优化中，信息矩阵的每...

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		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

	

		

		
			
		
		

		

			
氢键H-H

			
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