ceres-solver——Non-linear Least Squares

1.ceres解决诸如下图形式的有边界约束的鲁棒非线性最小二乘问题，其中，求和符号后的一整部分即为残差块，fi()是一个costfunction（残差项），ρ 为鲁棒核函数，用来降低错误数据对整体优化的影响，[xi1…xik]为参数块。

2.官方教程里给出的解决简单的残差项（求导不麻烦）优化问题的步骤是：
例如要求 1/2* (10-x)^2 最小值时的x

1. 定义计算残差的函数子
   
2. 将costfunction作为输入调用自动求导AutoDiffCostFunction来定义一个ceres::CostFunction*类型的变量，AutoDiffCostFunction会自动识别它并返回个ceres::CostFunction的接口，AutoDiffCostFunction尖括号<>中第一个参数后面的参数分别是残差维度以及各个优化变量的维度。
3. 最后将CostFunction、lossfunction以及优化变量作为AddResidualBlock的输入构造残差块，则优化问题构造完毕。
4. 调用ceres::Solver解问题即可

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

  // The variable to solve for with its initial value.
  double initial_x = 5.0;
  double x = initial_x;

  // Build the problem.
  Problem problem;

  // Set up the only cost function (also known as residual). This uses
  // auto-differentiation to obtain the derivative (jacobian).
  CostFunction* cost_function =
      new AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);
  problem.AddResidualBlock(cost_function, nullptr, &x);

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

  std::cout << summary.BriefReport() << "\n";
  std::cout << "x : " << initial_x
            << " -> " << x << "\n";
  return 0;
}

如下是优化结果：

iter      cost      cost_change  |gradient|   |step|    tr_ratio  tr_radius  ls_iter  iter_time  total_time
   0  4.512500e+01    0.00e+00    9.50e+00   0.00e+00   0.00e+00  1.00e+04       0    5.33e-04    3.46e-03
   1  4.511598e-07    4.51e+01    9.50e-04   9.50e+00   1.00e+00  3.00e+04       1    5.00e-04    4.05e-03
   2  5.012552e-16    4.51e-07    3.17e-08   9.50e-04   1.00e+00  9.00e+04       1    1.60e-05    4.09e-03
Ceres Solver Report: Iterations: 2, Initial cost: 4.512500e+01, Final cost: 5.012552e-16, Termination: CONVERGENCE
x : 0.5 -> 10

由于给出的例子实际上是一个线性问题，故只需要迭代一次即可获得满足条件的解。