学习高翔一起做rgbd-slam中关于g20部分的学习一

目录

第一步：LinearSolver：线性求解器

第二步：BlockSolver：块求解器 

第三步：solver：总求解器

第四步：SparseOptimizer：稀疏优化器 最终要的就是这玩意

第五步 添加顶点和边

                    顶点：  

                    边：

---

g2o:图优化中用的一个库;

在SLAM里，图优化一般分解为两个任务：

1、构建图：机器人位姿作为顶点，位姿间关系作为边。

2、优化图。调整机器人的位姿（顶点）来尽量满足边的约束，使得误差最小。

下面看一张整体图:

只需要按照步骤依次构建就好，下面解释一下每个名称的含义：

第一步：LinearSolver：线性求解器

LinearSolverCholmod ：使用sparse cholesky分解法。继承自LinearSolverCCS
LinearSolverCSparse：使用CSparse法。继承自LinearSolverCCS
LinearSolverPCG ：使用preconditioned conjugate gradient 法，继承自LinearSolver
LinearSolverDense ：使用dense cholesky分解法。继承自LinearSolver
LinearSolverEigen： 依赖项只有eigen，使用eigen中sparse Cholesky 求解，因此编译好后可以方便的在其他地方使用，性能和CSparse差不多。继承自LinearSolver

//先定义一个BlockSolver;表示pose是6维，观测点是3维。用于3D SLAM中的BA
typedef g2o::BlockSolver_6_3 SlamBlockSolver; 
//依赖项只有eigen，使用eigen中sparse Cholesky 求解，因此编译好后可以方便的在其他地方使用，性能和CSparse差不多。继承自LinearSolver
typedef g2o::LinearSolverEigen< SlamBlockSolver::PoseMatrixType SlamLinearSolver;//在把LinearSolverEigen定义好
// 第1步：创建一个线性求解器LinearSolver
SlamLinearSolver* linearSolver = new SlamLinearSolver();

 

第二步：BlockSolver：块求解器 

BlockSolver 内部包含 LinearSolver，用上面我们定义的线性求解器LinearSolver来初始化

BlockSolver_6_3 ：表示pose 是6维，观测点是3维。用于3D SLAM中的BA
BlockSolver_7_3：在BlockSolver_6_3 的基础上多了一个scale
BlockSolver_3_2：表示pose 是3维，观测点是2维

// 第2步：创建BlockSolver。并用上面定义的线性求解器初始化
SlamBlockSolver* blockSolver = new SlamBlockSolver( unique_ptr<SlamLinearSolver>(linearSolver));

第三步：solver：总求解器

并从GN, LM, DogLeg 中选一个，再用上述块求解器BlockSolver初始化

// 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( unique_ptr<SlamBlockSolver>(blockSolver) );

第四步：SparseOptimizer：稀疏优化器 最终要的就是这玩意

// 第4步：创建终极大boss 稀疏优化器（SparseOptimizer）
g2o::SparseOptimizer globalOptimizer;  // 最后用的就是这个东东 图模型 创建稀疏优化器
globalOptimizer.setAlgorithm( solver );// 设置求解器 用前面定义好的求解器作为求解方法
globalOptimizer.setVerbose( false );// 关闭调试输出 其中setVerbose是设置优化过程输出信息用的

第五步 添加顶点和边

 

顶点：