Ceres Solver库使用方法（防止忘记）

该优化库在slam中常用，记录一下，防止忘记

Ceres-solver 是解决具有边界约束的非线性最小二乘优化和一般无约束优化问题。=

首先就是一些概念的问题，它解决的是优化问题，也就是什么样的输入会使预计值接近观测值，所以有了残差的概念，残差就是观测值 - 预计值

 里面一系列x被称为参数块（笔者理解就是优化对象），而fx函数被称为代价函数，是关于参数块的函数，代价函数用于衡量模型预测值与实际观测值之间的差异，优化过程中希望最小化这个函数。px被称为损失函数，损失函数是用来减少某些观测点对优化过程影响的一个工具，通常用于处理异常值或强调某些观测的影响。损失函数可以将代价函数中的每个残差转换为一个值，允许对某些残差赋予更大的权重或惩罚。

总体而言，代价函数用于计算整体误差，是优化的主要目标。损失函数则用于调整代价函数中每个误差的贡献，以便对异常值或特定观测给予不同的处理。这一些列整体被称为残差块（ResidualBlock），残差块中包含了参数块、代价函数、损失函数。

Ceres 求解过程主要有两大步骤，构建问题和求解问题

先是自定义残差计算方式，也就是你要优化什么问题，举个例子，对于求解该函数的最小值问题,先构建残差计算方式：

struct MyCostFunctorAutoDiff 
{
	template<typename Type>
	bool operator()(const Type* const x, Type* residual) const
	{
		residual[0] = 12.0 - x[0];
		return true;
	}
};

在ceres中，double 类型与 ceres::Jet 类型之间可以进行自动类型转换。所以要写12.0。

然后构建代价函数和问题：

在这里，先构建Ceres代价函数CostFuntion，用来计算残差，残差计算方法为自定义残差计算模型MyCostFunctorAutoDiff，由于只存在一个代价函数,使用自动微分方法AutoDiffCostFunction来计算导数，而AutoDiffCostFunction<MyCostFunctorAutoDiff, 1, 1>模板参数中，需要依次指定
 用户自定义残差计算模型MyCostFunctorAutoDiff、输出（resudual）维度大小、输入（参数x）维度大小。这两个维度大小需要与残差计算模型中输入、输出参数的维度一致，对应residual[0]和x[0]。

在构建问题时添加残差块ResidualBlock，需要依次指定代价函数CostFunction，损失函数LossFunction（这里为单位函数），参数块ParameterBlock。

// 构建非线性最小二乘问题
ceres::Problem problem;
// 添加残差块，需要依次指定代价函数，损失函数，参数块
// 损失函数为单位函数
problem.AddResidualBlock(new ceres:: AutoDiffCostFunction<MyCostFunctorAutoDiff, 1, 1>(new MyCostFunctorAutoDiff());, nullptr, &x);

接着，配置求解器参数Options、输出日志内容Summary：

// 配置求解器参数
ceres::Solver::Options options;
//也可以指定最大迭代次数
//options.max_num_iterations = 25;
// 指定线性求解器来求解问题
options.linear_solver_type = ceres::DENSE_QR;
// 输出每次迭代的信息
options.minimizer_progress_to_stdout = true;
// 输出日志内容
ceres::Solver::Summary summary;

最终，优化求解：

// 开始优化求解
ceres::Solve(options, &problem, &summary);

这一系列就对x输出最终的最优解 ，经过这些，我们初步对ceres库有了一个了解