Ceres_1

一、非线性最小二乘

$$\underset{x}{\mathrm min} \frac{1}{2}\sum_{i} \rho i(||f_i(x_{i_1},...,x_{i_k})||^2)\\s.t. l_j\le x_j \le u_j$$

1、ParameterBlock -> 参数块：例如R、T 构成相机位姿参数块，也可以是单一参数

2、CostFunction -> 代价函数：依赖参数块，如 $f_i(i)$

3、ResidualBlock -> 残差块：如 $$\rho i(||f_i(x_{i_1},...,x_{i_k})||^2)$$

4、LossFunction -> 损失函数：如$\rho i$

【NOTE】

• A loss function is a part of a cost function…

---

【例1】

$$f(x) = 10 - x$$

• 1、定义代价函数：

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

• 【NOTE】

  • 非静态成员函数后加const，表示隐含传入的this指针为const，即不允许在成员函数内修改成员变量。
  • 目的是为了定义、计算残差
  • 这是一个线性问题

• 2、构造Ceres

google::InitGoogleLogging(argv[0]);

// 初始值
double inital_x = 5.0;
double x = initial_x;

Problem problem;
// 采用自动微分求导
CostFunction* cost_function = new AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);
// 第一个参数指的是每个残差的维数，第二个参数开始是参数的维数 
problem.AddResidualBlock(cost_function, NULL, &x);

Solver::Options options;
...
Solver::Summary summary;
Solver(options, &problem, &summary);

5、导数类型

• Numeric Derivatives
  
  • 例如：residual[0] = 10.0 - x[0]
• Analytic Derivatives
  
  • 继承CostFunction/SizedCostFunction

class QuadraticCostFunction:public ceres::SizedCostFunction<1,1> {
public:
    vitrual ~QuadraticCostFunction() {}
    virtual bool Evaluate(double const* const* parameters, double* residuals, double ** jacobians) const {
        const double x = parameters[0][0];
        residuals[0] = 10 - x;
        if (jacobians != NULL && jacobians[0] != NULL) {
            jacobians[0][0] = -1;
        }
        return true;
    }
}

• 【NOTE】
  
  • input:parameters
  • output:residuals jacobians

6、Powell’s Function

$$f_1(x) = x_1 + 10 x_2 \\ f_2(x) = \sqrt{5}(x_3 - x_4) \\ f_3(x) = (x_2 - 2x_3)^2 \\ f_4(x) = \sqrt{10}(x_1 - x_4)^2 \\ F(x) = [f_1(x), f_2(x), f_3(x), f_4(x)]$$

=> find x such that $\frac{1}{2}||F(x)||^2$ is minimized

=> 思路：与例1类似，但是需要构造多个代价函数，然后AddResidualBlock