Ceres Solver 官方教程学习笔记（八）——数值微分法Numeric derivatives

最新推荐文章于 2024-06-22 17:25:08 发布

小政哥

最新推荐文章于 2024-06-22 17:25:08 发布

阅读量2.2k

点赞数 4

分类专栏：学习笔记文章标签： Ceres

本文链接：https://blog.csdn.net/wzheng92/article/details/79821862

版权

本文详细介绍了Ceres Solver中数值微分的方法，包括前向差分、中心差分以及Ridders方法。通过分析误差和效率，强调中心差分和Ridders方法在精度和鲁棒性上的优势，建议在无法使用解析或自动微分时，优先选择中心差分，若对精度有更高要求，则推荐Ridders方法。

摘要由CSDN通过智能技术生成

这篇文章翻译自官方教程Numeric derivatives并且参考了少年的此间的博客文章Ceres-Solver学习笔记(5)

利用analytic derivatives的另一个极端形式是 numeric derivatives，即数值微分法。数值微分法的关键是，目标函数 $f(x)$ 的微分方程可以被写成一个极限形式：

D f (x) = lim h \to 0 f ( x + h ) - f ( x ) h

$Df(x) = \lim_{h \rightarrow 0} \frac{f(x + h) - f(x)}{h}$

前向差分

当然，在计算机上 $h$ 使不可能无限逼近 $0$ 的，那就是选择一个非常小的 $h$ 的值并近似导数

D f (x) \approx \frac{f (x + h) - f (x)}{h}

$Df(x) \approx \frac{f(x + h) - f(x)}{h}$
上面的公式是最简单的最基本的数值微分。它被称为 “正向差分公式”。

那么，如何在Ceres中实际构建一个数值微分算法过程的呢？主要可以分为两个步骤：
1. 定义Functor给定参数值，Ceres将通过它对给定的 $(x，y)$ 的进行残值计算。
2. 用 NumericDiffCostFunction 来构造一个CostFunction 来封装整个实例。

这里我们仍然延用上一节解析微分算法中的例子。

$y = b 1 ( 1 + e b 2 - b 3 x ) 1 / b 4$ $y = \frac{b_1}{(1+e^{b_2-b_3x})^{1/b_4}}$
$E (b 1, b 2, b 3, b 4) = \sum i f 2 (b 1, b 2, b 3, b 4; x i, y i) = \sum i (b 1 ( 1 + e b 2 - b 3 x i ) 1 / b 4 - y i) 2 (1) (2)$ $\begin{split}\begin{align}E(b_1, b_2, b_3, b_4)&= \sum_i f^2(b_1, b_2, b_3, b_4 ; x_i, y_i)\\&= \sum_i \left(\frac{b_1}{(1+e^{b_2-b_3x_i})^{1/b_4}} - y_i\right)^2\\\end{align}\end{split}$
$D 1 f (b 1, b 2, b 3, b 4; x, y) = 1 ( 1 + e b 2 - b 3 x ) 1 / b 4 (3)$ $\begin{split}\begin{align}D_1 f(b_1, b_2, b_3, b_4; x,y) &= \frac{1}{(1+e^{b_2-b_3x})^{1/b_4}}\\\end{align}\end{split}$

具体代码如下：

struct Rat43CostFunctor {
  Rat43CostFunctor(const double x, const double y) : x_(x), y_(y) {}

  bool operator()(const double* parameters, double* residuals) const {
    const double b1 = parameters[0];
    const double b2 = parameters[1];
    const double b3 = parameters[2];
    const double b4 = parameters[3];
    residuals[0] = b1 * pow(1.0 + exp(b2 -  b3 * x_), -1.0 / b4) - y_;
    return true;
  }

  const double x_;
  const double y_;
  //Analytic算法中手动求解Jacobians的部分被拿掉了。
}


CostFunction* cost_function =
  new NumericDiffCostFunction<Rat43CostFunctor, FORWARD, 1, 4>(
    new Rat43CostFunctor(x, y));