激光SLAM—Eigen数学运算

1、矩阵、向量表示

Eigen通过tyepdef定义了许多内置类型，不过底层仍然是Eigen::Matrix,如下所示：
Eigen::Matrix3d matrix_33 = Eigen::Matrix3d::Zero():                     //初始化为0 ，Matrix3d实质上是Eigen::Matrix<double, 3, 3>
Eigen::Matrix<double, Eigen::Dynamic, Eigen::Dynamic> matrix_dynamic;      //如果不确定矩阵大小，可以使用动态大小的矩阵
Eigen::MatrixXd matrix_xd;                                                             //与上类似，表示任意大小的元素类型为double的矩阵变量
Eigen::MatrixXf matrix_xf;                                                              //  float类型数据
Eigen::Vector3d v_3d;                                                                   //Vector3d实质上是Eigen::Matrix<double, 3, 1>

2、常用矩阵

MatrixXf::Zero(3,4);       // 将矩阵3行4列初始化为0

MatrixXf::Ones(3,3);      // 将矩阵3行3列初始化为1

Vector3f::Ones();           // 将3行的纵向量初始化为1

MatrixXi::Identity(3,3);    //单位阵

Matrix3d::Random();      //随机矩阵

3、矩阵运算

matrix_33.transpose()          //转置
matrix_33.sum()                  //各元素和
matrix_33.trace()                 //迹
matrix_33 * 10                     //数乘
matrix_33.inverse()             //逆
matrix_33.determinant()     //行列式
求特征值及特征向量
实对称矩阵可以保证对角化成功
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver(matrix_33.transpose()*matrix_33);
特征值  eigen_solver.eigenvalues() 
特征向量 eigen_solver.eigenvectors()

求解

通常用矩阵分解来求，例如QR分解，速度会快很多
    time_stt = clock();                                                                  //  获取现在时间
    x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
    1000 * (clock() - time_stt) / (double)CLOCKS_PER_SEC    //单位ms