视觉SLAM十四讲学习6 Ceres Solver (1) 入门

最新推荐文章于 2023-07-03 17:04:51 发布

RuiH.AI

最新推荐文章于 2023-07-03 17:04:51 发布

阅读量1.7k

点赞数

分类专栏： SLAM 文章标签： C++

本文链接：https://blog.csdn.net/qq_41035283/article/details/122244578

版权

SLAM 专栏收录该内容

15 篇文章 17 订阅

订阅专栏

视觉SLAM十四讲学习6 Ceres Solver （1）入门

前言
Hello World!
多函数多变量最小二乘
曲线拟合
一般无约束优化问题
- 完整代码
后记

前言

本篇开始学习SLAM的实际操作，从Ceres Solver开始。

Hello World!

构建问题

Ceres Solver是C++常用的非线性优化库。Ceres Solver解非线性优化的流程包含三步：构建优化问题，设置求解条件，求解。

考虑一个简单的最小二乘问题ceres求解：
$\min \frac {1}{2} ||10-x||^2$
首先，在Ceres中构造一个代价函数，并重载()运算符：

struct LinearFunc {
	template <typename T>
	bool operater() (const T* const x, T* residual) const {
	residual[0] = 10.0 - x[0];
	return true;
	}
}

其中，residual是最小二乘中的残差，x是迭代变量。

然后将代价函数添加到优化问题中：

double x = 5.0
ceres::CostFunction* cost_function = new AutoDiffCostFunction<LinearFunc, 1, 1>(new LinearFunc);
ceres::Problem problem;
problem.AddResidualBlock(cost_function, nullptr, &x)

其中，AutoDiffCostFunction将LinearFunc转换为ceres的自动求导类型（ceres可选数值求导，手动求导和自动求导三种类型），然后再添加到problem的残差块内。

求解设置

这里主要是选择求解器和求解结果的展示方式：

ceres::Solver::Options options;
options.linear_solver_type = ceres::DENSE_QR;
options.minimizer_progress_to_stdout = true;
ceres::Summary summary;

这里，通过ceres::Solver::Options来进行求解器设置，比如线性求解器、非线性求解方法、线搜索方法等、求解结果打印等，并且通过ceres::Summary来获得求解中的情况。

求解

ceres::Solve(options, &problem, &summary);
std::cout << summary.BriefReport() << "\n";

最后通过ceres::Solver()来求解，std输出summary.BriefReport()得到优化过程的情况。

完整代码

#include "ceres/ceres.h"

struct CostFunctor
{
    template <typename T>
    bool operator()(const T* const x, T* residual) const {
        residual[0] = 10.0 - x[0];
        return true;
    }
};

struct NumericCostFunctor{
    template <typename T>
    bool operator()(const T* const x, T* residual) const {
        residual[0] = 10.0 - x[0];
        return true;
    }
};

int main(int argc, char** argv) {
    google::InitGoogleLogging(argv[0]);

    double x_init = 5.;
    double x = x_init;

    ceres::Problem problem;

    // ceres::CostFunction* cost_function = new ceres::AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);
    ceres::CostFunction* cost_function = new ceres::NumericDiffCostFunction<NumericCostFunctor, ceres::CENTRAL, 1, 1>(new NumericCostFunctor);
    problem.AddResidualBlock(cost_function, nullptr, &x);

    ceres::Solver::Options options;
    options.linear_solver_type = ceres::DENSE_QR;
    options.minimizer_progress_to_stdout = true;
    ceres::Solver::Summary summary;
    ceres::Solve(options, &problem, &summary);

    std::cout<<summary.BriefReport()<<"\n";
    std::cout<<"x: "<< x_init << " -> " << x << " \n";

    return 0;
}

多函数多变量最小二乘

对于以下多函数多变量的最小二乘问题，求 $min||F(x)||^2$ ：
$f_1(x) = x_1+10x_2 \\ f_2(x) = \sqrt 5 (x_3-x_4) \\ f_3(x) = (x_2-2x_3)^2 \\ f_4(x) = \sqrt 10 (x_1-x_4)^2 \\ F(x) = [f_1(x), f_2(x),f_3(x), f_4(x)]$
Ceres解法与上面Hello World的解法差不多，首先把四个代价函数构建起来：

struct F1
{
    template <typename T>
    bool operator()(const T* const x1, const T* const x2, T* residual) const {
        residual[0] = x1[0] + x2[0] * 10.;
        return true;
    }
};

struct F2
{
    template <typename T>
    bool operator()(const T* const x3, const T* const x4, T* residual) const {
        residual[0] = sqrt(5) * (x3[0] - x4[0]);
        return true;
    }
};

struct F3{
    template <typename T>
    bool operator()(const T* const x2, const T* const x3, T* residual) const {
        residual[0] = pow(x2[0] - x3[0] * 2., 2);
        return true;
    }
};

struct F4{
    template <typename T>
    bool operator()(const T* const x1, const T* const x4, T* residual) const { 
        residual[0] = sqrt(10) * pow(x1[0] - x4[0], 2);
    return true; 
    }
};

然后，在优化问题中，将代价函数加入残差块中进行优化即可。

int main(int argc, char **argv) {
    google::InitGoogleLogging(argv[0]);

    double x1 = 3.0, x2 = -1.0, x3 = 0.0, x4 = 1.0;
    ceres::Problem problem;
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F1, 1, 1, 1>(new F1), nullptr, &x1, &x2);
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F2, 1, 1, 1>(new F2), nullptr, &x3, &x4);
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F3, 1, 1, 1>(new F3), nullptr, &x2, &x3);
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F4, 1, 1, 1>(new F4), nullptr, &x1, &x4);

    ceres::Solver::Options options;
    options.linear_solver_type = ceres::DENSE_QR;
    options.minimizer_progress_to_stdout = true;
    ceres::Solver::Summary summary;
    ceres::Solve(options, &problem, &summary);

    std::cout<< summary.BriefReport()<<std::endl;
    std::cout<< "[3.0, -1.0, 0.0, 1.0]  ->  [" <<x1<<", "<<x2<<", "<<x3<<", "<<x4<<", "<<std::endl;

    return 0;
}

曲线拟合

代价函数

另一种常见的优化问题是拟合，也就是给定多个样本点数据，求函数的参数。考虑下面这个曲线：
$\exp (0.7x + 0.5)$

首先仍然是构建代价函数：

struct ExpCostFunction
{
    ExpCostFunction(double x, double y) {
        x_ = x;
        y_ = y;
    }

    template <typename T>
    bool operator()(const T* const m, const T* const c, T* residual) const {
        residual[0] = y_ - exp( m[0] * x_ + c[0] );
        return true;
    }

    private:
        double x_;
        double y_;
};

在代价函数中，添加了一个构造函数，用于接收样本点的数据x,y，从而辅助建立残差 $r=y-e^{mx+c}$ 。把代价函数添加到残差块中时，就是通过这个构造函数代入样本。

优化问题

随后把代价函数加入残差块中，建立优化问题：

ceres::Problem problem;
for (size_t i = 0; i < data_num; i++)
{
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<ExpCostFunction, 1, 1, 1>(new ExpCostFunction(x[i], y[i])), new ceres::CauchyLoss(0.5), &m, &c);
}

这里用for循环来把所有样本点处的残差都加入残差块中。同时使用CauchyLoss作为损失函数，以此降低样本外点对优化方向的影响。

整体代码

#include "ceres/ceres.h"

struct ExpCostFunction
{
    ExpCostFunction(double x, double y) {
        x_ = x;
        y_ = y;
    }

    template <typename T>
    bool operator()(const T* const m, const T* const c, T* residual) const {
        residual[0] = y_ - exp( m[0] * x_ + c[0] );
        return true;
    }

    private:
        double x_;
        double y_;
};

template <typename T>
bool generateData(std::vector<T>& x, std::vector<T>& y, double* param, int data_num=100){
    for(int i = 0; i < data_num; i++) {
        double x_temp = i / 20.;
        double y_temp = exp(param[0] * x_temp + param[1]) * (1 + (rand() % 200 + 1 - 100) / 1000.);
        x.push_back(x_temp);
        y.push_back(y_temp);
    }

    return true;
}

int main(int argc, char** argv) {
    google::InitGoogleLogging(argv[0]);

    double m = 0.0;
    double c = 0.0;

    std::vector<double> x, y;
    double param[2] = {0.7, 0.5};
    int data_num = 100;
    generateData(x, y, param);

    ceres::Problem problem;
    for (size_t i = 0; i < data_num; i++)
    {
        // problem.AddResidualBlock(new ceres::AutoDiffCostFunction<ExpCostFunction, 1, 1, 1>(new ExpCostFunction(x[i], y[i])), nullptr, &m, &c);
        problem.AddResidualBlock(new ceres::AutoDiffCostFunction<ExpCostFunction, 1, 1, 1>(new ExpCostFunction(x[i], y[i])), new ceres::CauchyLoss(0.5), &m, &c);
    }
    ceres::Solver::Options options;
    options.minimizer_progress_to_stdout = true;
    options.linear_solver_type = ceres::DENSE_QR;
    ceres::Solver::Summary summary;

    ceres::Solve(options, &problem, &summary);
    std::cout<< summary.BriefReport() << std::endl;\
    std::cout<<" [m, c] -> [" << m << ", " << c << "]"<<std::endl; 

    return 0;
}

一般无约束优化问题

上面的例子最小二乘问题的求解。Ceres除了对于非线性最小二乘问题求解外，其实也能够解决一般无约束优化问题。

考虑下面这个问题：
$argmin_{x,y} [(1-x)^2+100(y-x^2)^2]$

首先依然是构造代价函数：

struct RosenbrockFunction
{
    template <typename T>
    bool operator()(const T* const params, T* cost) const {
        const T x = params[0];
        const T y = params[1];
        cost[0] = pow(1.0 - x, 2) + 100. * pow(y - pow(x, 2), 2);

        return true;
    }
};

然后构建优化问题，不过此时的优化问题要选择梯度问题，并把代价函数转换为一阶函数：

ceres::FirstOrderFunction* function = new ceres::AutoDiffFirstOrderFunction<RosenbrockFunction, 2>(new RosenbrockFunction);
ceres::GradientProblem problem(function);

然后设置梯度求解器：

ceres::GradientProblemSolver::Options options;
options.minimizer_progress_to_stdout = true;
ceres::GradientProblemSolver::Summary summary;

ceres::Solve(options, problem, params, &summary);

完整代码

#include "ceres/ceres.h"

struct RosenbrockFunction
{
    template <typename T>
    bool operator()(const T* const params, T* cost) const {
        const T x = params[0];
        const T y = params[1];
        cost[0] = pow(1.0 - x, 2) + 100. * pow(y - pow(x, 2), 2);

        return true;
    }

    static ceres::FirstOrderFunction* Create(){
        constexpr int kNumParameters = 2;
        return new ceres::AutoDiffFirstOrderFunction<RosenbrockFunction, kNumParameters>(new RosenbrockFunction);
    }
};

int main(int argc, char** argv) {
    google::InitGoogleLogging(argv[0]);

    double params[2] = {-1.2, 1.0};

    ceres::GradientProblem problem(RosenbrockFunction::Create());

    ceres::GradientProblemSolver::Options options;
    options.minimizer_progress_to_stdout = true;
    ceres::GradientProblemSolver::Summary summary;
    
    ceres::Solve(options, problem, params, &summary);
    std::cout<<summary.FullReport()<<std::endl;

    return 0;
}

后记

本篇是Ceres Solver的入门学习。Ceres的主要编写思路就是，构造代价函数，构建优化问题并添加残差块，设置求解器。

下篇将学习使用Ceres完成BA优化。

RuiH.AI

关注

0
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
视觉SLAM十四讲学习6 Ceres Solver (1) 入门

视觉SLAM十四讲学习6 Ceres Solver （1）入门前言Hello World!构建问题求解设置求解完整代码多维函数优化前言本篇开始学习SLAM的实际操作，从Ceres Solver开始。Hello World!构建问题Ceres Solver是C++常用的非线性优化库。Ceres Solver解非线性优化的流程包含三步：构建优化问题，设置求解条件，求解。考虑一个简单的最小二乘问题ceres求解：min⁡12∣∣10−x∣∣2\min \frac {1}{2} ||10-x||^2
复制链接

扫一扫