SLAM开荒笔记之Eigen库

最新推荐文章于 2023-07-05 21:41:54 发布
最新推荐文章于 2023-07-05 21:41:54 发布
阅读量214 收藏 1
点赞数 1
文章标签： c++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41243280/article/details/114677737
版权

SLAM开荒笔记之Eigen库

Eigen库简介

SLAM中，经常会需要计算位姿、进行KF系列的滤波操作等，这就要求高效地执行矩阵运算， Eigen 库就是 C++ 中一个很好用的矩阵运算库，矩阵乘法、位姿变换矩阵的各种形式转换、转置、LU分解、SVD分解等都可以通过该库高效的实现。
下面是本人对该库的学习记录。

如何在C++中调用该库

Eigen库本身只依赖C++标准库，所以不需要另外安装其他依赖。Eigen库在Ubuntu下的安装也比较简单，输入命令行：

sudo apt-get install libeigen3-dev

即可完成安装，安装后如果想查询安装位置，可通过：locate eigen3查询。
在.cpp代码中，要调用该库只需要包含相应的头文件即可，一个比较简单的做法是

#include<Eigen/Eigen>  /* 包括Eigen库的所有模块 */

由于Eigen库没有.so或.a文件，所以不需要进行库链接（即target_link_libraries())，在相应的 CMakeLists.txt 文件中，仅仅需要添加该库的路径，有两种等价的写法
写法1：include_directories( "/usr/include/eigen3" )
写法2：

find_package( Eigen3 REQUIRED )
include_directories( ${Eigen3_INCLUDE_DIRS} )

位姿变换中常用数据类型声明

以绕 z z z轴旋转 p i / 4 pi/4 pi/4为例。

  • 初始化一个四元数Eigen::Quaterniond q(w, a, b, c);
    作用：声明一个四元数 q = w + a i + b j + c k q=w+a i+bj+ck q=w+ai+bj+ck
    代码实现：
Eigen::Quaterniond q(0, 0, 0.383, 0.924);//初始化把w放前面
cout << "四元数输出方式1： q = \n" << q.coeffs() << endl; /* coeffs的顺序为（a,b,c,w), w为实部 */
cout << "四元数输出方式2：\nw = " << q.w() <<  "\nx = " << q.x()
     << "\ny = " << q.y() << "\nz = " << q.z() << endl;

代码运行结果：

四元数输出方式1： q = 
    0
0.383
0.924
    0
四元数输出方式2：
w = 0
x = 0
y = 0.383
z = 0.924
  • 初始化一个旋转矩阵
Eigen::Matrix3d rotation_matrix = Eigen::Matrix3d::Identity();
rotation_matrix << 0.707, -0.707, 0,
                   0.707,  0.707, 0,
		               0,      0, 1;
cout <<  "rotation matrix = \n" <<  rotation_matrix << endl;

代码运行结果：

rotation matrix = 
 0.707 -0.707      0
 0.707  0.707      0
     0      0      1
  • 初始化一个旋转向量（轴角表示法）
Eigen::AngleAxisd rotation_vector(M_PI/4, Eigen::Vector3d(0, 0, 1));
cout << "rotation_vector axis = \n" << rotation_vector.axis() 
     << "\nrotation_vector angle = " << rotation_vector.angle() << endl;

代码运行结果：

rotation_vector axis = 
0
0
1
rotation_vector angle = 0.785398
  • 初始化一个欧拉角
Eigen::Vector3d euler_angles = Eigen::Vector3d(M_PI/4, 0, 0); /* zyx顺序，即roll pitch yaw 顺序 */
cout << "欧拉角（zyx） = " << euler_angles.transpose() <<endl;

代码运行结果：

欧拉角（zyx） = 0.785398        0        0
  • 初始化一个平移向量
Eigen::Vector3d t(1, 2, 3);
cout << "平移向量 = " << t.transpose() <<endl;

代码运行结果

平移向量 = 1 2 3
  • 初始化一个齐次欧式变换矩阵
Eigen::Isometry3d T = Eigen::Isometry3d::Identity();
T.rotate(rotation_matrix);
T.pretranslate(t);
cout << T.matrix()<<endl;

代码运行结果：

 0.707 -0.707      0      1
 0.707  0.707      0      2
     0      0      1      3
     0      0      0      1
  • 注意事项
    所有和角度相关的量，输入和输出都是使用的弧度制， π \pi π的宏定义为M_PI。

常用函数

  • 旋转向量、旋转矩阵、欧拉角转四元数
Eigen::Quaterniond q1=Eigen::Quaterniond(rotation_vector);  /* 旋转向量能直接初始化四元数 */
Eigen::Quaterniond q2=Eigen::Quaterniond(rotation_matrix);  /* 旋转矩阵能直接初始化四元数 */
//Eigen::Quaterniond q3=Eigen::Quaterniond(euler_angles);   /* 欧拉角不能直接初始化四元数 */
/* 要想用欧拉角初始化四元数， 可以先将欧拉角转化为轴角表示，进而转化为四元数 */
Eigen::AngleAxisd rollAngle(Eigen::AngleAxisd(euler_angles(0), Eigen::Vector3d::UnitZ()));
Eigen::AngleAxisd pitchAngle(Eigen::AngleAxisd(euler_angles(1), Eigen::Vector3d::UnitY()));
Eigen::AngleAxisd yawAngle(Eigen::AngleAxisd(euler_angles(2), Eigen::Vector3d::UnitX()));
 
Eigen::Quaterniond q3 = yawAngle*pitchAngle*rollAngle;

cout << "q = "  <<  q.coeffs().transpose() << "\n"
     << "q1 = " << q1.coeffs().transpose() << "\n"
     << "q2 = " << q2.coeffs().transpose() << "\n"
	 << "q3 = " << q3.coeffs().transpose() << endl;

代码运行结果

q =     0 0.383 0.924     0
q1 =        0        0 0.382683  0.92388
q2 =        0        0 0.382638 0.923851
q3 =        0        0 0.382683  0.92388
  • 四元数、旋转向量、欧拉角转旋转矩阵
Eigen::Matrix3d rotation_matrix1 = q.matrix();   /* 四元数能通过matrix方法直接初始化旋转矩阵 */
Eigen::Matrix3d rotation_matrix2 = rotation_vector.matrix();   /* 旋转向量能通过matrix方法直接初始化旋转矩阵 */
//Eigen::Matrix3d rotation_matrix2 = rotation_vector.toRotationMatrix(); /* 两种方法可选 */
/* 要想将欧拉角转换为旋转矩阵， 可以先将欧拉角转化为轴角表示，进而转化为旋转矩阵 */
Eigen::AngleAxisd rollAngle(Eigen::AngleAxisd(euler_angles(0), Eigen::Vector3d::UnitZ()));
Eigen::AngleAxisd pitchAngle(Eigen::AngleAxisd(euler_angles(1), Eigen::Vector3d::UnitY()));
Eigen::AngleAxisd yawAngle(Eigen::AngleAxisd(euler_angles(2), Eigen::Vector3d::UnitX()));
/* Eigen库不支持隐式将轴角赋值给旋转矩阵，只能显式赋值 */
Eigen::Matrix3d rotation_matrix3;  /* 轴角表示不能直接初始化旋转矩阵，如果不用matrix方法，就只能通过赋值运算转换 */
rotation_matrix3 = yawAngle*pitchAngle*rollAngle;
    
cout << "rotation matrix = \n"  <<  rotation_matrix << "\n"
     << "rotation matrix1 = \n" << rotation_matrix1 << "\n"
     << "rotation matrix2 = \n" << rotation_matrix2 << "\n"
	 << "rotation matrix3 = \n" << rotation_matrix3 << endl;

代码运行结果

rotation matrix = 
 0.707 -0.707      0
 0.707  0.707      0
     0      0      1
rotation matrix1 = 
 -1.00093         0         0
        0 -0.707552  0.707784
        0  0.707784  0.706622
rotation matrix2 = 
 0.707107 -0.707107         0
 0.707107  0.707107         0
        0         0         1
rotation matrix3 = 
 0.707107 -0.707107         0
 0.707107  0.707107         0
        0         0         1
  • 四元数、旋转矩阵、欧拉角转旋转向量
Eigen::AngleAxisd rotation_vector1(q); 
Eigen::AngleAxisd rotation_vector2(rotation_matrix);
    
Eigen::AngleAxisd rollAngle(Eigen::AngleAxisd(euler_angles(0), Eigen::Vector3d::UnitZ()));
Eigen::AngleAxisd pitchAngle(Eigen::AngleAxisd(euler_angles(1), Eigen::Vector3d::UnitY()));
Eigen::AngleAxisd yawAngle(Eigen::AngleAxisd(euler_angles(2), Eigen::Vector3d::UnitX()));
  
Eigen::AngleAxisd rotation_vector3;
rotation_vector3 = yawAngle*pitchAngle*rollAngle;

cout << "rotation_vector axis = "  <<  rotation_vector.axis().transpose() << " rotation_vector angle = " << rotation_vector.angle() << "\n"
     << "rotation_vector1 axis = "  <<  rotation_vector1.axis().transpose() << " rotation_vector1 angle = " << rotation_vector1.angle() << "\n"
     << "rotation_vector2 axis = "  <<  rotation_vector2.axis().transpose() << " rotation_vector2 angle = " << rotation_vector2.angle() << "\n"
	 << "rotation_vector3 axis = "  <<  rotation_vector3.axis().transpose() << "

代码运行效果

rotation_vector axis = 0 0 1 rotation_vector angle = 0.785398
rotation_vector1 axis =        0 0.382911 0.923785 rotation_vector1 angle = 3.14159
rotation_vector2 axis = 0 0 1 rotation_vector2 angle = 0.785336
rotation_vector3 axis = 0 0 1 rotation_vector3 angle = 0.785398
  • 四元数、旋转矩阵、旋转向量转欧拉角
Eigen::Vector3d euler_angles1 = q.matrix().eulerAngles(2,1,0); /* 2-z轴， 1-y轴， 0-x轴 8/
Eigen::Vector3d euler_angles2 = rotation_vector.matrix().eulerAngles(2,1,0);
Eigen::Vector3d euler_angles3 = rotation_matrix.eulerAngles(2,1,0);
	
cout << "欧拉角（zyx）euler_angles = " << euler_angles.transpose() << "\n"
     << "欧拉角（zyx）euler_angles1 = " << euler_angles.transpose() << "\n"
	 << "欧拉角（zyx）euler_angles2 = " << euler_angles.transpose() << "\n"
	 << "欧拉角（zyx）euler_angles3 = " << euler_angles.transpose() << endl;

代码运行结果

欧拉角（zyx）euler_angles = 0.785398        0        0
欧拉角（zyx）euler_angles1 = 0.785398        0        0
欧拉角（zyx）euler_angles2 = 0.785398        0        0
欧拉角（zyx）euler_angles3 = 0.785398        0        0
  • 其他常用矩阵操作函数
M.transpose();  /* 矩阵M的转置 */
M.inverse();  /* 矩阵M的逆 */
M.determinant();  /* 矩阵M的行列式 */
M.sum(); /* 矩阵M各元素和 */
12*M; /* 矩阵数乘 */

/* 求矩阵M（要求实对称矩阵）特征值和特征向量 */
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver ( M );
    cout << "Eigen values = \n" << eigen_solver.eigenvalues() << endl;
    cout << "Eigen vectors = \n" << eigen_solver.eigenvectors() << endl;
Eigen::Matrix3d::Identity();  /* 单位三维矩阵 */
Eigen::Matrix3d::Random();  /* 三维随机数矩阵 */

头文件选择

Eigen的主要模块有基本模块Core，其他功能模块Geometry、LU、Clolesky、Householder、SVD、QR、Eigenvalues、Sparse，两个整合模块Dense、Eigen。一般情况下，#include <Eigen/Dense>就足够了。

/* Eigen 头文件选择 */
#include <Eigen/Eigen>  /* 包含了Eigen库的所有模块 */
#include <Eigen/Dense>  /* 稠密矩阵的代数运算（逆，特征值等），包含了Core/Geometry/LU/Cholesky/SVD/QR/Eigenvalues模块 */
#include <Eigen/Sparese>  /* 稀疏矩阵相关的内容，如存储和基本线性运算 */
#include <Eigen/Core>  /* 基本的Matrix和Array类，基本的线性代数运算和数组操作 */
#include <Eigen/Geometry>  /* SLAM中常用的位姿变换(包括四元数、轴角等) */
#include <Eigen/LU>  /* 矩阵求逆，求行列式， 矩阵LU分解 */
#include <Eigen/Cholesky>  /* LLT和LDLT Cholesky分解 */
#include  <Eigen/Householder>  /* Householder变换，用于线性代数运算 */
#include <Eigen/SVD>  /* SVD分解 */
#include <Eigen/QR>  /* QR分解 */
#include <Eigen/Eigenvalues>  /* 求方阵特征值、特征向量 */

参考文献

Eigen中四元数、欧拉角、旋转矩阵、旋转向量之间的转换
Eigen教程1----Eigen的介绍

weixin_41243280
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
矩阵计算 Eigen3依赖库 (3.3.5 Release)
11-08
矩阵计算 Eigen3依赖库 (3.3.5 Release)。Eigen是一个高层次的C++库，有效支持线性代数，矩阵和矢量运算，数值分析及其相关的算法。该版本是在3.3.5版本中发布的，有效支持需要Eigen 3.2 or later的调用。
线性代数C++模板库 Eigen 3.1.1 的CHM文档(自制)
10-12
Eigen官方只有HTML格式的离线文档，这个CHM的文档是基于3.1.1版本（Released on 2012-07-22）制作。 Eigen 是一个线性算术的C++模板库，包括：vectors, matrices, 以及相关算法。功能强大、快速、优雅以及支持多平台[包括GCC（>=4.2),MSVC (Visual Studio 2005 and newer),Intel C++ compiler,LLVM/CLang++ (>=2.8),MinGW ]. 以MKL为例，Eigen 3.1.1 支持 BLAS (level 2, 3)，LAPACK(LU, Cholesky, QR, SVD, Eigvalues, Shur)，VML，PARDISO 其它可用于向量和矩阵运算的C++模板库包括Armadillo，MTL4，BOOST uBLAS，Trilinos 等。
eigen库
best_scenery的博客
03-16 326
eigen教程1 官方教程 example 1 #include<iostream> #include<Eigen/Dense> //matrix int main1() { Eigen::MatrixXd m(2, 2); m(0, 0) = 1; m(0, 1) = 2; m(1, 0) = 3; m(1, 1) = 4; std::cout <&...
RobotSlamApplication(1)：第一个三方库--Eigen3库的使用
Ian的博客
07-23 329
Eigen官网链接 一、CMakeList.txt 编译及头文件 "编译参数" find_package(Eigen3 REQUIRED) include_directories(${EIGEN3_INCLUDE_DIRS}) link_directories(${EIGEN3_LIBRARY_DIRS}) add_definitions(${EIGEN3_DEFINITIONS}) ...
Eigen 模板库的简介
飘零过客
06-16 2466
Eigen 是一个 C++ 模板库，主要用于：线性代数、矩阵、向量、数值计算和相关算法。
视觉SLAM的第三方库文件
02-08
1. **OpenCV**：OpenCV（开源计算机视觉库）是视觉SLAM中最常用的库之一，提供了大量的图像处理和计算机视觉函数。在SLAM中，OpenCV可以用于特征检测（如SIFT、SURF、ORB）、特征匹配、图像校正和相机标定等任务。`...
视觉SLAM十四讲开源功能库文件
03-08
在视觉SLAM项目中，往往需要依赖于多个第三方库，如OpenCV用于图像处理，Eigen用于线性代数运算，PCL（Point Cloud Library）用于处理3D点云数据，g2o（Graph Optimization）用于优化求解器等。这些库为视觉SLAM提供...
视觉SLAM十四讲-fmt库文件
03-08
视觉SLAM，全称为视觉Simultaneous Localization And Mapping，即同时定位与建图，是机器人领域中的核心技术之一。它允许设备通过摄像头等视觉传感器在未知环境中构建地图，并实时估计自身在地图中的位置。在SLAM...
pnp_by_BA_eigen库_www.by4b_pnp_slam_SLAM中的PnP的求解方法_
10-03
本篇主要讨论在SLAM中如何利用Eigen库解决PnP问题。 Eigen库是一个高效且灵活的C++矩阵和向量运算库，广泛应用于数值计算，特别是线性代数问题。它的设计简洁，易于集成，并且提供了许多优化的运算，如稀疏矩阵、...
slam笔记.zip
07-29
本资源包"slam笔记.zip"包含了作者原创的视频教程以及相关的开源资料，旨在深入讲解SLAM的基本原理、gmapping算法及其应用。以下是对这些内容的详细解析： 1. **SLAM基本概念**： SLAM问题的核心在于，机器人需要...
Eigen深入剖析Matrix（进阶一）
最新发布
小怪物爱吹牛的博客
07-05 3658
Eigen是以线性代数和矩阵理论为基础的数值计算库。在Eigen中所有的矩阵和向量都是Matrix模板类的对象，向量只是一种特殊的矩阵，默认向量是列向量。Array类的很多操作与Matrix类似，所以本章中介绍的部分操作也适用于Array。
【Eigen】学习Eigen的一些总结——快速入门指南（一）
qq_29504955的博客
01-23 1795
对Eigen快速入门指南的一些学习
eigen 的欧拉角表示顺序
biersibao的博客
04-09 3660
欧拉角的顺序： Eigen::Vector3d euler_t = rot.eulerAngles(2, 1, 0);//代表xyz顺序，euler_t(0)放的是Z的值 Eigen::AngleAxisd Y(euler(2), Eigen::Vector3d::UnitZ()); Eigen::AngleAxisd P(euler(1), Eigen::Vector3d::UnitY()); Eigen::AngleAxisd R(euler(0),...
Eigen四元数和欧拉角相互转换以及增量转换为四元数
asahi_331的博客
08-17 2862
Eigen四元数和欧拉角相互转换以及增量转换为四元数 因为loam的优化是基于欧拉角的，这不符合我下一步的操作目的，所以我决定将欧拉角的部分都替换为四元数。但是目前来看只替换优化部分效果很差，所以我决定将整个代码做一个修改。 以下，将用到过的知识记录一下。 // 将欧拉角转换为四元数 Eigen::AngleAxisf roll(transformTobeMapped[0], Eigen::Vector3f::UnitX()); Eigen::AngleAxisf pitch
eigen3/Eigen与Eigen的问题
自动驾驶行业学习、交流
04-10 6567
使用eigen库时出现找不到文件的错误 在编译点云处理程序时,会使用pcl,pcl依赖于eigen,出现错误 fatal error: Eigen/Core: No such file or directory 问题原因 出现这个错误的原因是eigen默认安装在/usr/include/eigen3/Eigen.我们需要的也是这个Eigen. 解决 出现这个问题首先要考虑是否安装了ei...
Eigen使用的坑
https://github.com/heatMa
01-11 3457
先记录一个很详细的博客，还没完全看懂，后面再看 欧拉角、四元数、旋转矩阵推导及相互关系 1、切记Eigen的类型不会自动转换  YOU_MIXED_DIFFERENT_NUMERIC_TYPES__YOU_NEED_TO_USE_THE_CAST_METHOD_OF_MATRIXBASE_TO_CAST_NUMERIC_TYPES_EXPLICITLY 2、Eigen中的向量其实就是单行...
Eigen3问题解决
sunyoop的博客
03-24 2974
apt-get方式(假设默认安装到/usr/local/include里(可在终端中输入locate eigen3查看位置)，若实际中默认安装到了/usr/include的话，可以对应替换下面命令的相应部分)运行命令：sudo apt-get install libeigen3-dev运行命令:（参考第二种方法的最下面的说明）sudo cp -r /usr/local/include/eigen3...
EIGEN,TF等，方便自己CV大法
weixin_41518014的博客
04-18 149
1.利用tf函数从四元数求解航向角（eigen里的出错，原因不知道）tf::Quaternion q(x,y,z,w);double yaw = tf::getYaw(q);2.已知角度和位移，求变换矩阵Eigen::Matrix4fEigen::AngleAxisf rotation_x(roll, Eigen::Vector3f::UnitX());Eigen::AngleAxisf rotation_y(pitch, Eigen::Vector3f::UnitY());Eigen::AngleAxis
最详细的Eigen笔记
陈建驱的博客
04-13 5045
在博文<三维空间中刚体运动>中介绍了三维空间刚体运动和坐标转换的概念，包括坐标变换的各中表示：旋转矩阵、四元数、旋转角、旋转向量、变换矩阵等，初步尝试了使用Eigen进行坐标变换。本文在此基础上，进一步总结Eigen中各种数据类型及其基本操作，便于查阅。 旋转矩阵 构造函数 单位矩阵构造Eigen::Matrix3d rotation_m=Eigen::Matrix3d...
SLAM学习笔记：定位与地图构建的关键
SLAM（Simultaneous Localization And Mapping）是一种关键的机器人技术，它涉及到机器人的自主导航能力，旨在同时解决机器人的位置（Where am I?）确定、任务规划（What do I want to do?）以及路径规划（How do I ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值