本人讲解关于slam一系列文章汇总链接:史上最全slam从零开始
文末正下方中心提供了本人
联系方式,
点击本人照片即可显示
W
X
→
官方认证
{\color{blue}{文末正下方中心}提供了本人 \color{red} 联系方式,\color{blue}点击本人照片即可显示WX→官方认证}
文末正下方中心提供了本人联系方式,点击本人照片即可显示WX→官方认证
一、前言
示例代码为 https://github.com/gaoxiang12/slambook2/blob/master/ch6/g2oCurveFitting.cpp
在g2o简介的博客中,讲解了运行该示例代码环境的搭建,同时对 g2o 进行了简单的讲解。然后又对 顶点 ( V e r t e x ) \color{red}顶点 (Vertex) 顶点(Vertex) 与 边 ( E d g e ) \color{red}边(Edge) 边(Edge) 进行详细分析,总的来说使用 g2o 进行优化,编程求解主要包含五个步骤,来看看代码编程的流程:
( 1 ) \color{blue} (1) (1) 顶点和边的类型定义;
( 2 ) \color{blue} (2) (2) 构建图优化实例,配置求解器;
( 3 ) \color{blue} (3) (3) 添加点和边,构建求解图;
( 4 ) \color{blue} (4) (4) 执行优化。
后续,会把源码拆解成这四个部分,分别进行讲解。在这之前,先说一下示例代码的目的。虽然前面的博客已经把代码运行了起来,但是并没有讲具体实现是的功能是什么。假设一条满足以下方程的曲线:
y
=
exp
(
a
x
2
+
b
x
+
c
)
+
w
(01)
\color{green} \tag{01} y=\exp \left(a x^{2}+b x+c\right)+w
y=exp(ax2+bx+c)+w(01)其中
a
,
b
,
c
a,b,c
a,b,c 为曲线的参数,
w
w
w 为高斯噪声,满足
w
∼
(
0
,
σ
2
)
w \sim\left(0, \sigma^{2}\right)
w∼(0,σ2)。我们故意选择了这样一个非线性模型,使问题不至于太简单。现在,假设我们有
N
N
N 个关于
x
,
y
x,y
x,y 的观测数据点,想根据这些数据点求出曲线的参数。那么,可以求解下面的最小二乘问题以估计曲线参数:
min
a
,
b
,
c
1
2
∑
i
=
1
N
∥
y
i
−
exp
(
a
x
i
2
+
b
x
i
+
c
)
∥
2
(02)
\color{green} \tag{02} \min _{a, b, c} \frac{1}{2} \sum_{i=1}^{N}\left\|y_{i}-\exp \left(a x_{i}^{2}+b x_{i}+c\right)\right\|^{2}
a,b,cmin21i=1∑N∥
∥yi−exp(axi2+bxi+c)∥
∥2(02)请注意,在这个问题中,待估计的变量是
a
,
b
,
c
a,b,c
a,b,c;而不是
x
x
x。我们的程序里先根据模型生成
x
,
y
x,y
x,y 的真值,然后在真值中添加高斯分布的噪声。使用 g2o 从带噪声的数据拟合参数模型。定义误差为:
e
i
=
y
i
−
exp
(
a
x
i
2
+
b
x
i
+
c
)
(03)
\color{green} \tag{03} e_{i}=y_{i}-\exp \left(a x_{i}^{2}+b x_{i}+c\right)
ei=yi−exp(axi2+bxi+c)(03)那么,可以求出每个误差项对于状态变量的导数:
∂
e
i
∂
a
=
−
x
i
2
exp
(
a
x
i
2
+
b
x
i
+
c
)
∂
e
i
∂
b
=
−
x
i
exp
(
a
x
i
2
+
b
x
i
+
c
)
∂
e
i
∂
c
=
−
exp
(
a
x
i
2
+
b
x
i
+
c
)
(04)
\color{green} \tag{04} \begin{array}{l} \frac{\partial e_{i}}{\partial a}=-x_{i}^{2} \exp \left(a x_{i}^{2}+b x_{i}+c\right) \\ \frac{\partial e_{i}}{\partial b}=-x_{i} \exp \left(a x_{i}^{2}+b x_{i}+c\right) \\ \frac{\partial e_{i}}{\partial c}=-\exp \left(a x_{i}^{2}+b x_{i}+c\right) \end{array}
∂a∂ei=−xi2exp(axi2+bxi+c)∂b∂ei=−xiexp(axi2+bxi+c)∂c∂ei=−exp(axi2+bxi+c)(04)
下面就从每个步骤来分析吧,这里就不在粘贴整体的源码了,前面链接已经给出。如果对Jacobian matrix(雅可比矩阵)不太熟悉的朋友,建议先阅读下面这篇博客。
推荐
\color{red}推荐
推荐:史上最简SLAM零基础解读(7) - Jacobian matrix(雅可比矩阵) → 理论分析与应用详解
二、数据模拟
首先需要去模拟一些数据,假设(01)式中真实的 a b c _ r = { a = 1.0 , b = 2.0 , b = 1.0 } abc\_r=\{a=1.0,b=2.0,b=1.0\} abc_r={a=1.0,b=2.0,b=1.0},需要优化的初始值设定为 a b c _ e = { a = 2.0 , b = − 1.0 , c = 5.0 } abc\_e=\{a = 2.0,b = -1.0,c= 5.0\} abc_e={a=2.0,b=−1.0,c=5.0}。 也就是说,通过优化之后,使得 a b c _ e abc\_e abc_e 接近于 a b c _ r abc\_r abc_r。现在利用 a b c _ r abc\_r abc_r 随机生成 N = 100 N=100 N=100 组数据(同时添加了噪声)。代码如下:
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
double inv_sigma = 1.0 / w_sigma;
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 * w_sigma));
}
三、点和边的类型定义
1、顶点类型的定义
// 曲线模型的顶点,模板参数:优化变量维度和数据类型
class CurveFittingVertex : public g2o::BaseVertex<3, Eigen::Vector3d> {
public:
//类成员变量如果是固定大小对象需要加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
// 重置;override 重载
virtual void setToOriginImpl() override {
_estimate << 0, 0, 0;
}
// 更新
virtual void oplusImpl(const double *update) override {
_estimate += Eigen::Vector3d(update);
}
// 存盘和读盘:留空
virtual bool read(istream &in) {}
virtual bool write(ostream &out) const {}
};
顶点类成员继承继承自BaseVertex,模板成员参数分别是 3,Eigen::Vector3d。其表示的意思是待优化变量类型为 Eigen::Vector3d,维度是3。另外顶点类包含四个重要的成员函数需要重载:
(
1
)
\color{blue} (1)
(1) setToOriginImp()用于重置优化变量值。(改)
(
2
)
\color{blue} (2)
(2) oplusImpl()用于对优化变量进行更新调整,是优化变量向真实值靠近(改)
(
3
)
\color{blue} (3)
(3) read和write分别是读盘、存盘函数,一般情况下不需要进行读/写操作的话,仅仅声明一下就可以.
2、边类型的定义
// 误差模型 模板参数:观测值维度,类型,连接顶点类型
class CurveFittingEdge : public g2o::BaseUnaryEdge<1, double, CurveFittingVertex> {
public:
//类成员变量如果是固定大小对象需要加上 EIGEN_MAKE_ALIGNED_OPERATOR_NEW
EIGEN_MAKE_ALIGNED_OPERATOR_NEW
//构造函数初始化
CurveFittingEdge(double x) : BaseUnaryEdge(), _x(x) {}
// 计算曲线模型误差
virtual void computeError() override
{
//顶点获取
const CurveFittingVertex *v = static_cast<const CurveFittingVertex *> (_vertices[0]);
//优化变量获取
const Eigen::Vector3d abc = v->estimate();
//惨差计算
_error(0, 0) = _measurement - std::exp(abc(0, 0) * _x * _x + abc(1, 0) * _x + abc(2, 0));
}
// 计算雅可比矩阵
virtual void linearizeOplus() override
{
//顶点获取
const CurveFittingVertex *v = static_cast<const CurveFittingVertex *> (_vertices[0]);
//优化变量获取
const Eigen::Vector3d abc = v->estimate();
//数值求导
double y = exp(abc[0] * _x * _x + abc[1] * _x + abc[2]);
_jacobianOplusXi[0] = -_x * _x * y;
_jacobianOplusXi[1] = -_x * y;
_jacobianOplusXi[2] = -y;
}
//读写,暂时不用,留空
virtual bool read(istream &in) {}
virtual bool write(ostream &out) const {}
private:
double _x; // x 值, y 值为 _measurement
};
边类成员继承继承自BaseUnaryedge(不同类型的边有不同的基类,这里是一元边基类),模板成员参数分别是:1,double, CurveFittingVertex。这里的1表示观测变量维度,double 表示观测变量数据类型。CurveFittingVertex 表示前面定义的顶点类型。边类包含四个重要的成员函数需要重载:
( 1 ) \color{blue} (1) (1) virtual void computeError(); 计算惨差,通过成员变量_vertices[0]和顶点编号0获取0号顶点变量;之后通过estimate()成员函数获取最近的优化变量;最后通过 _measurement中存储的观测变量与优化变量做参差计算并传给_error(0, 0)。(改)
( 2 ) \color{blue} (2) (2) virtual void linearizeOplus(); 同样获取顶点并获取待优化的变量,最后通过数值求导获取雅克比梯度,注意这里需要添加负号,利用负梯度方向迭代。(改)
(
3
)
\color{blue} (3)
(3) read 、write留空。
四、构建图优化实例,配置求解器
// 第二部分;配置优化器,构建图优化
// 定义重载求解变量块,每个误差项优化变量维度为3,误差值维度为1
typedef g2o::BlockSolver<g2o::BlockSolverTraits<3, 1>> BlockSolverType;
// 定义线性求解器类型
typedef g2o::LinearSolverDense<BlockSolverType::PoseMatrixType> LinearSolverType;
//创建高斯牛顿求解器
auto solver = new g2o::OptimizationAlgorithmGaussNewton(g2o::make_unique<BlockSolverType>(g2o::make_unique<LinearSolverType>()));
// 图模型
//创建稀疏优化器
g2o::SparseOptimizer optimizer;
// 设置求解器
optimizer.setAlgorithm(solver);
// 打开调试输出
optimizer.setVerbose(true);
(
1
)
\color{blue} (1)
(1) 定义变量块BlockSolverType,模板参数分别表示
①优化变量维度(3)
②误差变量维度(1)
( 2 ) \color{blue} (2) (2) 定义线性求解器LinearSolverType。
( 3 ) \color{blue} (3) (3) 选取求解方法。
(
4
)
\color{blue} (4)
(4) 创建并配置稀疏优化器。
五、添加点和边
// 第三部分;添加点和边
// 实例化顶点,往图中增加顶点
CurveFittingVertex *v = new CurveFittingVertex();
//配置初始估计值
v->setEstimate(Eigen::Vector3d(aest, best, cest));
//设置图表中节点的id确保更改id后图表保持一致
v->setId(0);
//添加设置完成的顶点
optimizer.addVertex(v);
// 往图中增加边
for (int i = 0; i < PointNum; i++)
{
//实例化边,并传入标点值
CurveFittingEdge *edge = new CurveFittingEdge(x_data[i]);
//设置图表中边的id确保更改id后图表保持一致
edge->setId(i);
// 设置连接的顶点,1、顶点编号2、顶点实例化
edge->setVertex(0, v);
// 传入观测到的数值
edge->setMeasurement(y_data[i]);
// 设置信息矩阵:协方差矩阵之逆
edge->setInformation(Eigen::Matrix<double, 1, 1>::Identity() * 1 / (w_sigma * w_sigma));
//将设置完成的边加入
optimizer.addEdge(edge);
}
(
1
)
\color{blue} (1)
(1) 实例化一个点v;传入优化变量的初始估计值;给顶点配置编号;将顶点添加至图中。
(
2
)
\color{blue} (2)
(2) 实例化边edge;给边配置编号;配置链接的顶点信息(顶点的编号,顶点的实例化);传入观测值;配置信息矩阵;将边添加至图。
六、添加点和边
执行优化与输出:
// 执行优化
cout << "start optimization" << endl;
chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
optimizer.initializeOptimization();
optimizer.optimize(10); //优化次数
chrono::steady_clock::time_point t2 = chrono::steady_clock::now();
chrono::duration<double> time_used = chrono::duration_cast<chrono::duration<double>>(t2 - t1);
cout << "solve time cost = " << time_used.count() << " seconds. " << endl;
// 输出优化值
Eigen::Vector3d abc_estimate = v->estimate();
cout << "estimated model: " << abc_estimate.transpose() << endl;
答应结果如下
最终预测的结果为
a
=
0.89012
,
b
=
2.1719
,
c
=
0.943629
a=0.89012,b=2.1719,c=0.943629
a=0.89012,b=2.1719,c=0.943629。可以看到其与真实值
a
b
c
_
r
=
{
a
=
1.0
,
b
=
2.0
,
b
=
1.0
}
abc\_r=\{a=1.0,b=2.0,b=1.0\}
abc_r={a=1.0,b=2.0,b=1.0} 还是存在一定差距,但是已经非常接近了。其主要原因是因为生成的数据带噪声的,宁外我们只优化迭代了10次。
七、结语
通过前面两篇博客,可以说是对 g2o(图优化) 有了简单的了解,g2o(图优化) 在 slam 中有着举足轻重的地位。如果要去追根究底底层的源码,说实话,难度还是比较大的。但是如果只是当作一个工具包来使用,还是比较简单的。主要的难点在于顶点和边的创建。不过没有关系,等大家看别人的源码看得比较多了,就熟悉 g2o(图优化) 具体应该怎么去使用与设计了。