仅自己学习笔记使用。
参考了这篇答案
一、问题描述
二、思路分析
- 思路:
- 掌握的也不熟不知道对不对
- 首先设定要优化的函数–误差函数f(x),本题中的优化函数是f(x) = error * error 二次范数
- 其次,利用一次范数error 求出雅阁比矩阵J
- 利用G-N法的公式 H * x = b ,H = J^T * J ,b = -f(x) * J, J 则是error的一阶倒数矩阵
- 利用for循环,把100个样本点的 H ,J ,b总和计算出来,再算x 再对参数a b c 进行更新, 迭代100次
三、代码(源代码是slam课提供的)
gaussnewton.cpp
//
// Created by 高翔 on 2017/12/15.
//
#include <iostream>
#include <opencv2/opencv.hpp>
#include <Eigen/Core>
#include <Eigen/Dense>
using namespace std;
using namespace Eigen;
/*
* 思路:
* 1. 首先设定要优化的函数--误差函数f(x),本题中的优化函数是f(x) = error * error 二次范数
* 2. 其次,利用一次范数error 求出雅阁比矩阵J
* 3. 利用G-N法的公式 H * x = b ,H = J^T * J ,b = -f(x) * J, J 则是error的一阶倒数矩阵
* 4. 利用for循环,把100个样本点的 H ,J ,b总和计算出来,再算x 再对参数a b c 进行更新, 迭代100次
* */
int main(int argc, char **argv) {
double ar = 1.0, br = 2.0, cr = 1.0; // 真实参数值
double ae = 2.0, be = -1.0, ce = 5.0; // 估计参数值
int N = 100; // 数据点
double w_sigma = 1.0; // 噪声Sigma值
cv::RNG rng; // OpenCV随机数产生器
vector<double> x_data, y_data; // 数据
for (int i = 0; i < N; i++) {
double x = i / 100.0;
x_data.push_back(x);
y_data.push_back(exp(ar * x * x + br * x + cr) + rng.gaussian(w_sigma));
}
//x_data y_data是生成的数据点,共100组,满足公式y=f(x)
// 开始Gauss-Newton迭代
int iterations = 100; // 迭代次数
double cost = 0, lastCost = 0; // 本次迭代的cost和上一次迭代的cost
for (int iter = 0; iter < iterations; iter++) {
Matrix3d H = Matrix3d::Zero(); // Hessian = J^T J in Gauss-Newton
Vector3d b = Vector3d::Zero(); // bias
cost = 0;
for (int i = 0; i < N; i++) {
double xi = x_data[i], yi = y_data[i]; // 第i个数据点
// start your code here
double error = 0; // 第i个数据点的计算误差
//error = 0; // 填写计算error的表达式
error=yi - (exp(ae * xi * xi + be * xi + ce));
//f(x)=error*error 是目标函数
//但是可以从error的雅克比J来用J^T模拟出黑塞矩阵H
Vector3d J; // 雅可比矩阵
J[0]=-xi*xi*exp(ae * xi * xi + be * xi + ce); // de/da
J[1]=-xi*exp(ae * xi * xi + be * xi + ce); // de/db
J[2]=-exp(ae * xi * xi + be * xi + ce); // de/db
//求出雅克比矩阵
// cout<<"jjjjjjjjj "<<J<<endl;
H += J * J.transpose(); // GN近似的H
b += -error * J; //如公式中的 H * x = b , b = -J*f(x) ,H = J^T * J 去解出x,就是可以移动的距离,使得f(x)最小
// end your code here
cost += error * error;
}
// 求解线性方程 Hx=b,建议用ldlt
// start your code here
Vector3d dx;
dx = H.colPivHouseholderQr().solve(b);
// end your code here
if (isnan(dx[0])) {
cout << "result is nan!" << endl;
break;
}
if (iter > 0 && cost > lastCost) {
// 误差增长了,说明近似的不够好
cout << "cost: " << cost << ", last cost: " << lastCost << endl;
break;
}
// 更新abc估计值
ae += dx[0];
be += dx[1];
ce += dx[2];
lastCost = cost;
cout << "total cost: " << cost << endl;
}
cout << "estimated abc = " << ae << ", " << be << ", " << ce << endl;
return 0;
}
CMakeLists.txt
cmake_minimum_required(VERSION 2.8.3)
project(disparity)
set(CMAKE_CXX_STANDARD 11)
find_package(OpenCV)
find_package(Eigen3)
find_package(Pangolin)
include_directories(${Pangolin_INCLUDE_DIRS})
#include_directories( "/usr/include/eigen3" )
include_directories(${EIGEN3_INCLUDE_DIR})
add_executable(prac gaussnewton.cpp)
target_link_libraries(prac ${OpenCV_LIBS})
四、运行结果