【视觉slam14讲】ceres库

我要算BA

已于 2023-08-10 21:08:11 修改

阅读量164

点赞数

分类专栏：视觉slam14讲学习文章标签：学习笔记

于 2023-07-03 17:04:51 首次发布

本文链接：https://blog.csdn.net/weixin_48852054/article/details/131519530

版权

视觉slam14讲学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

ceres库

参考大佬链接：链接: 视觉SLAM十四讲学习6 Ceres Solver (1) 入门

最简单的最小二乘构建

ceres.cpp

#include "ceres/ceres.h"




//此项目的优化函数为1/2||10-x||^2
//esidual是最小二乘中的残差,x是迭代变量


// //以下代码是两个代价函数
// struct CostFunctor
// {
//     template <typename T>//这是一个模板函数，使得成本函数能够适用于不同的数值类型
//     //这是一个函数调用运算符的重载，它接受一个指向参数数组 x 的指针和一个指向残差数组 residual 的指针，并返回一个布尔值
//     bool operator()(const T* const x, T* residual) const {
//         residual[0] = 10.0 - x[0];
//         //residual[0]=x[0]*x[0]-2*x[0]+4;
//         return true;
//     }
// };

struct NumericCostFunctor{
    template <typename T>
    bool operator()(const T* const x, T* residual) const {
        residual[0] = 10.0 - x[0];
        //residual[0]=x[0]*x[0]-2*x[0]+4;
        return true;
    }
};

int main(int argc, char** argv) {
    google::InitGoogleLogging(argv[0]);//初始化Google日志系统，用于在终端输出日志信息

    double x_init = 1.;//初始化变量x的初始值为5.0
    double x = x_init;

    ceres::Problem problem;//创建一个Ceres Solver的问题对象，用于定义优化问题

    // ceres::CostFunction* cost_function = new ceres::AutoDiffCostFunction<CostFunctor, 1, 1>(new CostFunctor);
    //创建一个成本函数对象，使用数值微分方法计算成本函数的梯度
    ceres::CostFunction* cost_function = new ceres::NumericDiffCostFunction<NumericCostFunctor, ceres::CENTRAL, 1, 1>(new NumericCostFunctor);
    problem.AddResidualBlock(cost_function, nullptr, &x);//向问题中添加一个残差块，将成本函数和变量x关联起来。这样，在优化过程中，Ceres Solver将根据残差来调整变量x的值

    ceres::Solver::Options options;//创建一个优化器的选项对象，用于配置求解器的参数
    options.linear_solver_type = ceres::DENSE_QR;//指定线性求解器类型为Dense QR，用于求解优化问题的线性方程组
    options.minimizer_progress_to_stdout = true;//设置为true时，在终端输出优化过程的详细信息
    ceres::Solver::Summary summary;//创建一个求解器的汇总对象，用于存储求解器的执行结果和统计信息
    ceres::Solve(options, &problem, &summary);//调用Ceres Solver的求解函数，传入选项、问题和汇总对象，开始求解优化问题

    std::cout<<summary.BriefReport()<<"\n";
    std::cout<<"x: "<< x_init << " -> " << x << " \n";//输出最终的x
    std::cout<<"the last result:"<<summary.final_cost<<std::endl;//输出最终的y
    

    return 0;
}

CMakeLists.txt

# 声明要求的 cmake 最低版本
cmake_minimum_required(VERSION 2.8)

# 声明一个 cmake 工程
project(ceres)

# 添加一个可执行程序
# 语法：add_executable( 程序名 源代码文件 ）

find_package(Ceres REQUIRED)
add_executable(ceres1 ceres.cpp)
target_link_libraries(ceres1 ${CERES_LIBRARIES})

运行结果

在这里插入图片描述

多函数多变量最小二乘

#include<ceres/ceres.h>


//以下内容为多个函数
struct F1
{
    template <typename T>
    bool operator()(const T* const x1, const T* const x2, T* residual) const {
        residual[0] = x1[0] + x2[0] * 10.;
        return true;
    }
};

struct F2
{
    template <typename T>
    bool operator()(const T* const x3, const T* const x4, T* residual) const {
        residual[0] = sqrt(5) * (x3[0] - x4[0]);
        return true;
    }
};

struct F3{
    template <typename T>
    bool operator()(const T* const x2, const T* const x3, T* residual) const {
        residual[0] = pow(x2[0] - x3[0] * 2., 2);
        return true;
    }
};

struct F4{
    template <typename T>
    bool operator()(const T* const x1, const T* const x4, T* residual) const { 
        residual[0] = sqrt(10) * pow(x1[0] - x4[0], 2);
    return true; 
    }
};



int main(int argc, char **argv) {
    google::InitGoogleLogging(argv[0]);

    double x1 = 3.0, x2 = -1.0, x3 = 0.0, x4 = 1.0;
    ceres::Problem problem;
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F1, 1, 1, 1>(new F1), nullptr, &x1, &x2);
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F2, 1, 1, 1>(new F2), nullptr, &x3, &x4);
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F3, 1, 1, 1>(new F3), nullptr, &x2, &x3);
    problem.AddResidualBlock(new ceres::AutoDiffCostFunction<F4, 1, 1, 1>(new F4), nullptr, &x1, &x4);

    ceres::Solver::Options options;
    options.linear_solver_type = ceres::DENSE_QR;
    options.minimizer_progress_to_stdout = true;
    ceres::Solver::Summary summary;
    ceres::Solve(options, &problem, &summary);

    std::cout<< summary.BriefReport()<<std::endl;
    std::cout<< "[3.0, -1.0, 0.0, 1.0]  ->  [" <<x1<<", "<<x2<<", "<<x3<<", "<<x4<<", "<<std::endl;

    return 0;
}

cmakelisits文件同上

运行结果

在这里插入图片描述

视觉slam14讲中的ceres优化

源文件

//
// Created by xiang on 18-11-19.
//

#include <iostream>
#include <opencv2/core/core.hpp>
#include <ceres/ceres.h>
#include <chrono>

using namespace std;

// 代价函数的计算模型
struct CURVE_FITTING_COST 
{
  //结构体
  CURVE_FITTING_COST(double x, double y) : _x(x), _y(y) {}

  // 残差的计算
  template<typename T>
  //这是一个重载的函数调用运算符，它定义了仿函数的行为。
  //这个函数接受两个参数：abc 是优化问题的参数，residual 是用于存储计算得到的残差的数组。
  bool operator()(const T *const abc,  T *residual)const
   {
    residual[0] = T(_y) - ceres::exp(abc[0] * T(_x) * T(_x) + abc[1] * T(_x) + abc[2]); // y-exp(ax^2+bx+c)
    return true;
  }

  const double _x, _y;    // x,y数据
};

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
  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

  //随机产生100个x，y点
  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));
  }

//数组abc，对应三个参数
  double abc[3] = {ae, be, ce};

  // 构建最小二乘问题
  ceres::Problem problem;
  for (int i = 0; i < N; i++) {
    problem.AddResidualBlock(     // 向问题中添加误差项
      // 使用自动求导，模板参数：误差类型，输出维度，输入维度，维数要与前面struct中一致
      new ceres::AutoDiffCostFunction<CURVE_FITTING_COST, 1, 3>(
        //把数据传入结构体
        new CURVE_FITTING_COST(x_data[i], y_data[i])
      ),
      nullptr,            // 核函数，这里不使用，为空
      abc                 // 待估计参数
    );
  }

  // 配置求解器
  ceres::Solver::Options options;     // 这里有很多配置项可以填
  options.linear_solver_type = ceres::DENSE_NORMAL_CHOLESKY;  // 增量方程如何求解
  options.minimizer_progress_to_stdout = true;   // 输出到cout

//存储优化信息
  ceres::Solver::Summary summary;                // 优化信息

  //计时
  chrono::steady_clock::time_point t1 = chrono::steady_clock::now();
  ceres::Solve(options, &problem, &summary);  // 开始优化
  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;

  // 输出结果
  cout << summary.BriefReport() << endl;
  cout << "estimated a,b,c = ";
  for (auto a:abc) cout << a << " ";
  cout << endl;

  return 0;
}

cmakelists

cmake_minimum_required(VERSION 2.8)
project(ch6)

set(CMAKE_BUILD_TYPE Release)
set(CMAKE_CXX_FLAGS "-std=c++14 -O3")

list(APPEND CMAKE_MODULE_PATH ${PROJECT_SOURCE_DIR}/cmake)

# OpenCV
find_package(OpenCV REQUIRED)
include_directories(${OpenCV_INCLUDE_DIRS})

# Ceres
find_package(Ceres REQUIRED)
include_directories(${CERES_INCLUDE_DIRS})


# Eigen
include_directories("/usr/include/eigen3")



add_executable(ceresCurveFitting ceresCurveFitting.cpp)
target_link_libraries(ceresCurveFitting ${OpenCV_LIBS} ${CERES_LIBRARIES})