因子图优化 SLAM 研究方向归纳

转载自：https://zhuanlan.zhihu.com/p/53972892

因子图优化 SLAM 研究方向归纳

三川小哥

OmniVision 算法优化工程师

兄弟们，我正在崩溃的边缘，不过我还在撑着。因为我想在因子图优化方向发一篇文章（泪目）。

先絮叨两句我的情况吧～

我在因子图优化这个坑里蹲了半年多了吧！目前仍然没有找到适合我的论文点。因为走过很多弯路，把很多时间浪费在无关紧要的地方。我写这篇文章的目的就是，想让兄弟们踩着我的肩膀继续网上冲，我可能扛不住了(再次泪目)，但是我希望能看到这篇文章的你（☞）能坚持下去。

我后面分三个部分说：

1. 怎么快速入门。
2. 有哪些研究点可以挖掘。
3. 有哪些坑需要避过。

1.我的苦大仇深

我刚开始时因为看cartographer的那篇论文，根据里面的介绍找到了平方根sam和isam2.

然后顺藤摸瓜找到了gtsam，还发现了一本书<factor graphs for robot perception>

factor graphs for robot perception

心里一合计，有论文有教材还有开源的框架，岂不美哉。就它了

然后我给导师汇报说：“SLAM经历了三个阶段

1. 滤波阶段：局部信息融合

2. 图优化阶段：全局一致性优化

3. 增量平滑阶段：用贝叶斯树维护一个动态更新的数，兼具滤波的速度和图优化的精度

而我的研究方向正处于第三个阶段，代表先进生产力的发展方向”

老师拍拍我的肩膀说：“有想法，万元红包等着你”。

然后就开始了漫长的蹲坑。

我的错误路线：

我首先把bayes tree那几篇论文打印了出来，然后看看看，看不懂。

估计作者没有把细节说出来，细节在哪呢，对了，开源的框架GTsam，下载编译配置，学习库文件。哇哦，优美的C++，不错，写的很好。就是不太能看懂。

怎么办？看官方文档，有一本书啊，啊呼呼，打印出来好好看，暑假带回家，全部推到一遍<什么因子图，平方根矩阵，稀疏性，边缘化，增量优化，贝叶斯书，小弦，小团>一个概念一个概念过。额～～～ ，还是看不懂，一点都没懂。

怎么办呢，对了，他不是支持matlab吗，我就先看matlab的程序。matlab用着兼职爽啊，可视化的demo，真优美，嘻嘻，各个都能跑通，呼呼哈。不过源文件还是看不懂。

有点着急了，

怎么办，上网搜搜，一搜还真有个视频教程，泡泡机器人-董卿。这个好啊。先看三遍再说，看完没多大作用，就是简单的介绍了下。

再搜搜，哇，我找到了什么，我找到了作者本人的YouTube讲座视频呦。帅，看五遍。还是MKD～～～。

这时候有点丧。

要发论文啊，我的天哪，时间都过去这么久了。

是不是方法不对啊，我上一篇时怎么发表出来的呢，总结一下看看呗。

三川：论文怎么找点子​

www.zhihu.com

按照我总结的方法还是找不到点子，都是骗人的，哼，我还骗了别人，呜呜呜～～～

过了一段时间，看到刘富强把那本书翻译出来了，买了看看，没懂...

又过了一段时间，找到了少磷兄专门修改gtsam库的，他人员光广，一起建了微信群，他把这个圈子里的人竟然都拉进去了，讨论了几次，未果...

然后我就陷入了“论文-程序-教材书-论文-程序-教材书.......” 之间的切换循环中，(6个月后)直到现在....

好了，说了我的错误路线，就是想让大家吸取下教训“没有咬住一点使劲钻研, 一直在犹豫”

2.怎么快速入门。

下面说下，我建议的正确学习路线：

首先，可以试着用一下gtsam这个库，有个直观的感受。

然后，切记，不要上去就打开库看源文件，这样一来限制你的思维，二来，浪费时间。应该看下那本书，中文翻译的最好，我推荐先看懂isam1中的 因子图构建，然后最好能把因子图的构建方法用matlab实现一下。

能够实现到，Ax=b这个方程。其实因子图的基本思想到这里已经完成了。

后面的那一堆更多的呢，只是对这个方程，以及增量优化这个方程的加速。【所以不要舍本逐末】

然后学习书中的QR分解实现稀疏优化。因为QR分解是能够实现增量平滑优化的最简单方法。如下：

然后再辅助上givens旋转。

这一步也学明白了，再开始看看因子图转成贝叶斯网的过程，即 消元顺序。

最后的最后，如果你能看到这一步，那就再看看 Bayes tree 的构建和更新吧。这块论文写的叫一个糊涂啊，我是没看懂。如果前几步都没学就直接看这里，我估计和我一样，浪费年华啊。

 

3、有哪些研究点可以挖掘

根据我的浅薄了解，因子图增量平滑，由两个方面可以出文章，算法改进和新的应用。

算法改进方面的研究点

1 首先是isam1，isam1中采用整体优化和增量优化切换的方法优化，那么怎么切换呢，作者采用的是 固定N步，就整体优化一次。哈哈，看到了吧，你可以搞一个更加智能的方法（随机森林判定树啊）来判断什么时候增量平滑，什么时候全局处理。这块还真有兄弟跟进了，我查到了一片AprilSAM，就是在这块做的文章。创新点在下图中小字：

这个文章提出的这几点都可以继续深挖，像批处理和增量模式的切换条件 动态变量冲排序，减少回带次数。

2. isam2，即贝叶斯树，这块呢，我个人觉的（意思就是我没看懂），作者不知道是在造概念还是怎么的，里面用了好几种树的转换。流程多效率肯定就低，能否看懂这几种转换之间的关系 然后将其简化，所谓 end-to-end，哈哈哈

3. 关于贝叶斯树的深度调整，如果你仔细看的话就会发现，根据论文中的推导，树的深度会一直增加，那么，能不能吧树的深度调整一下呢。实不相瞒，我开始选定的方向就是贝叶斯树的平衡构建方法。不过 未遂。

新的应用

基于增量平滑的新的应用方向。这里举个例子把，LOAM大家听过吧，我看了下最近的IROS会议中有个兄弟发了一篇文章叫 lego_loam，就是在LOAM的基础上加入了回环检测，后端采用了Gtsam优化。

有哪些坑需要避过去

首先，不要陷入到程序中，gtsam为了面向工程而开发的，不是教程，里面很多内容其实没必要学习，也看不懂，先看论文和书本。

正如导师今早给我说的,"找论文点的时候不要有太多的羁绊，要保持赤纯，代码只是思想的表达，算法思想永远是第一位，爱因斯坦的相对论....."。我的理解是，有一定理论基础后，在理论上推导，我就是深陷入代码之坑了。（为啥呢？因为矫枉过正，我上一篇就是最后编不出代码）。

还由一个大坑，不要直接上去就整贝叶斯树，他只是对增量平滑的一个改进，真正的算法核心就是 因子图的构建和 信息矩阵的增量优化（增量QR求解）划重点

我的困惑

最后呢，说一个我的困惑，我目前还没找到哪里需要这么实时准确的地图，就是说在跑的局部就需要全局的优化，我自己觉得这样的应用场景肯定是机器人的速度非常之快。

有时候一想其实隔一段时间优化一次也挺好呀。G2o，ceres。【黑人脸】

 

如果大家选定了这个方向，就抓住一个小点，咬住不放。能不能出文章，我就不敢保证了，因为我还没写出来，但是祝大家都能写出SCI。