Eigen SLAM涉及到的小记录

已于 2022-09-01 11:41:22 修改
阅读量566 收藏 3
点赞数
分类专栏： # SLAM 相关 文章标签： 矩阵
于 2022-02-18 14:04:02 首次发布
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/xiaoma_bk/article/details/104941379
版权

文章目录

Eigen

  • Eigen是可以用来进行线性代数、矩阵、向量操作等运算的C++库，它里面包含了很多算法。它的License是MPL2。它支持多平台。
  • Eigen采用源码的方式提供给用户使用，在使用时只需要包含Eigen的头文件即可进行使用。之所以采用这种方式，是因为Eigen采用模板方式实现，由于模板函数不支持分离编译，所以只能提供源码而不是动态库的方式供用户使用。
  • 头文件
    • Eigen 部分 #include <Eigen/Core>
    • 稠密矩阵的代数运算（逆，特征值等）#include <Eigen/Dense>

Matrix

基础：

  • 矩阵的定义：Eigen中关于矩阵类的模板函数中，共有六个模板参数，常用的只有前三个。其前三个参数分别表示矩阵元素的类型、行数和列数。
  • Eigen中所有向量和矩阵都是Eigen::Matrix，它是一个模板类。它的前三个参数为：数据类型，行，列。
    • 如：Eigen::Matrix<float, 2, 3> matrix_23;
    • 例如 Vector3d 实质上是 Eigen::Matrix<double, 3, 1>，即三维向量。
  • 如果不确定矩阵大小，可以使用动态大小的矩阵，矩阵定义时可以使用Dynamic来表示矩阵的行列数为未知，如：Eigen::Matrix< double, Eigen::Dynamic, Eigen::Dynamic > matrix_dynamic;
  • Eigen中无论是矩阵、数组、向量，无论是静态矩阵还是动态矩阵都提供默认构造函数，也就是定义这些数据结构时都可以不用提供任何参数，其大小均由运行时来确定。
    • 矩阵的构造函数中只提供行列数、元素类型的构造参数，而不提供元素值的构造，对于比较小的、固定长度的向量提供初始化元素的定义。
    • 例如：Eigen::Matrix3d matrix_33=Eigen::Matrix3d::Zero();
  • 矩阵类型：Eigen中的矩阵类型一般都是用类似MatrixXXX来表示，可以根据该名字来判断其数据类型，比如”d”表示double类型，”f”表示float类型，”i”表示整数，”c”表示复数；Matrix2f，表示的是一个2*2维的，其每个元素都是float类型。
  • 数据存储：Matrix创建的矩阵默认是按列存储，Eigen在处理按列存储的矩阵时会更加高效。如果想修改可以在创建矩阵的时候加入参数，如:
    • Matrix<int,3, 4, ColMajor> Acolmajor;
    • Matrix<int,3, 4, RowMajor> Arowmajor;
  • 动态矩阵和静态矩阵：动态矩阵是指其大小在运行时确定，静态矩阵是指其大小在编译时确定。
    • MatrixXd：表示任意大小的元素类型为double的矩阵变量，其大小只有在运行时被赋值之后才能知道。
    • Matrix3d：表示元素类型为double大小为3*3的矩阵变量，其大小在编译时就知道。
  • 矩阵元素的访问：在矩阵的访问中，行索引总是作为第一个参数，Eigen中矩阵、数组、向量的下标都是从0开始。矩阵元素的访问可以通过”()”操作符完成。例如：m(2, 3)既是获取矩阵m的第2行第3列元素。
    • 针对向量还提供”[]”操作符，注意矩阵则不可如此使用。
  • 设置矩阵的元素：在Eigen中重载了”<<”操作符，通过该操作符即可以一个一个元素的进行赋值，也可以一块一块的赋值。另外也可以使用下标进行赋值。如：matrix_23 << 1, 2, 3, 4, 5, 6;
  • 重置矩阵大小：当前矩阵的行数、列数、大小可以通过rows()、cols()和size()来获取，对于动态矩阵可以通过resize()函数来动态修改矩阵的大小。注意：
    • (1)、固定大小的矩阵是不能使用resize()来修改矩阵的大小；
    • (2)、resize()函数会析构掉原来的数据，因此调用resize()函数之后将不能保证元素的值不改变；
    • (3)、使用”=”操作符操作动态矩阵时，如果左右两边的矩阵大小不等，则左边的动态矩阵的大小会被修改为右边的大小。
  • 如何选择动态矩阵和静态矩阵：对于小矩阵(一般大小小于16)使用固定大小的静态矩阵，它可以带来比较高的效率；对于大矩阵(一般大小大于32)建议使用动态矩阵。注意：如果特别大的矩阵使用了固定大小的静态矩阵则可能会造成栈溢出的问题。
  • 矩阵块的操作，有两种使用方法：
    • matrix.block(i,j, p, q): 表示返回从矩阵(i, j)开始，每行取p个元素，每列取q个元素所组成的临时新矩阵对象，原矩阵的元素不变；
    • matrix.block<p,q>(i, j): 其中<p, q>可理解为一个p行q列的子矩阵，该定义表示从原矩阵中第(i, j)开始，获取一个p行q列的子矩阵，返回该子矩阵组成的临时矩阵对象，原矩阵的元素不变；
  • 向量块的操作：
    • 获取向量的前n个元素：vector.head(n);
    • 获取向量尾部的n个元素：vector.tail(n);
    • 获取从向量的第i个元素开始的n个元素：vector.segment(i,n);

算术运算

  • Eigen中算术运算重载了C++的 + - ×
  • 矩阵的运算：提供加减的一元操作符”-”、+=、-=；二元操作符+/-，表示两矩阵相加(矩阵中对应元素相加/减，返回一个临时矩阵)；
    • 一元操作符-表示对矩阵取负(矩阵中对应元素取负，返回一个临时矩阵)；
    • 组合操作法+=或者-=表示(对应每个元素都做相应操作)；
    • 矩阵还提供与标量(单一数字)的乘除操作，表示每个元素都与该标量进行乘除操作；
  • 求矩阵的转置、共轭矩阵、伴随矩阵：可以通过成员函数transpose()、conjugate()、adjoint()来完成。注意：这些函数返回操作后的结果，而不会对原矩阵的元素进行直接操作，如果要让原矩阵进行转换，则需要使用响应的InPlace函数，如transpoceInPlace()等；
  • 矩阵相乘、矩阵向量相乘：使用操作符*，共有*和*=两种操作符；

矩阵运算

  • 随机矩阵：matrix_33 = Eigen::Matrix3d::Random();
  • 转置：matrix_33.transpose()
  • 各个元素之和： matrix_33.sum()
  • 迹：matrix_33.trace()
  • 数乘：10*matrix_33
  • 逆：matrix_33.inverse()
  • 行列式：matrix_33.determinant()

特征值+解方程

  • 特征值+特征向量求解：
    // 实对称矩阵可以保证对角化成功
Eigen::SelfAdjointEigenSolver<Eigen::Matrix3d> eigen_solver ( matrix_33.transpose()*matrix_33 );
cout << "Eigen values = \n" << eigen_solver.eigenvalues() << endl;
cout << "Eigen vectors = \n" << eigen_solver.eigenvectors() << endl;

解方程：

  • 我们求解 matrix_NN * x = v_Nd 这个方程，N的大小在前边的宏里定义，它由随机数生成。
  • 方法一：直接求逆自然是最直接的，但是求逆运算量大
    clock_t time_stt = clock(); // 计时
Eigen::Matrix<double,MATRIX_SIZE,1> x = matrix_NN.inverse()*v_Nd;
double cost_time = 1000* (clock() - time_stt)/(double)CLOCKS_PER_SEC;
cout <<"time use in normal inverse is " << cost_time << "ms"<< endl;
  • 方法二：
    time_stt = clock();
x = matrix_NN.colPivHouseholderQr().solve(v_Nd);
double cost_time = 1000* (clock() - time_stt)/(double)CLOCKS_PER_SEC;
cout <<"time use in Qr decomposition is " << cost_time << "ms"<< endl;

矩阵容器 aligned_allocator

问题：

  • 如果STL容器中的元素是Eigen库数据结构，如这里定义一个vector容器，元素是Matrix4d std::vector<Eigen::Matrix4d>
  • 这是错误的，编译不会出错，只有在运行的时候出错。

解决：

  • 只需定义为如下：
    std::vector<Eigen::Matrix4d,Eigen::aligned_allocator<Eigen::Matrix4d>>;

原因：

  • 其实上述的这段代码才是标准的定义容器方法，只是我们一般情况下定义容器的元素都是C++中的类型，所以可以省略。
  • 在C++11标准中，aligned_allocator管理C++中的各种数据类型的内存方法是一样的，可以不需要着重写出来。
  • 但是在Eigen管理内存和C++11中的方法是不一样的，所以需要单独强调元素的内存分配和管理。

norm,normlize,normalized

norm()

  • 对于Vector，norm返回的是向量的二范数，即： ∣ ∣ x ∣ ∣ 2 = ∑ i = 1 N x i 2 {||x||_2 = \sqrt{\sum_{i=1}^N x_i^2}} ∣∣x∣∣2​=∑i=1N​xi2​ ​
  • 对于 Matrix，norm返回的是矩阵的 弗罗贝尼乌斯范数（Frobenius Norm），即：
    ∣ ∣ A ∣ ∣ F = ∑ i = 1 m ∑ i = j n ∣ a i j ∣ 2 {||A||_F = \sqrt{\sum_{i=1}^m\sum_{i=j}^n |a_{ij}|^2}} ∣∣A∣∣F​=∑i=1m​∑i=jn​∣aij​∣2 ​

normalize()

  • normalize()其实就是把自身的各元素除以它的范数。返回值为void。

normalized()

  • 而normalized()与normalize()类似，只不过normalize()是对自身上做修改，而normalized()返回的是一个新的Vector/Matrix，并不改变原有的矩阵。

Quaternion

核心构造

1、默认构造函数使四元数未初始化

  • Eigen::Quaternion< Scalar_, Options_ >::Quaternion ()

2、构造并初始化四元素： w + x i ⃗ + y j ⃗ + z k ⃗ {w+x\vec i+y\vec j+z\vec k} w+xi +yj ​+zk 。

  • Eigen::Quaternion< Scalar_, Options_ >::Quaternion (const Scalar & w,const Scalar & x,const Scalar & y,const Scalar & z )
  • 注意参数的顺序：首先是实部的w系数，而在内部系统按以下顺序存储：[x, y, z, w]

3、一个4D向量构造

  • Eigen::Quaternion< Scalar_, Options_ >::Quaternion ( const MatrixBase< Derived > & other)
  • 一个 4D 向量表达式，以 [x, y, z, w] 的顺序表示四元数系数。

4、从角轴 aa 构造并初始化一个四元数

  • Eigen::Quaternion< Scalar_, Options_ >::Quaternion ( const AngleAxisType & aa)

成员函数

FromTwoVectors

  • 函数：Eigen::Quaterniond::FromTwoVectors(v1,v2)

  • 返回： R ∗ V 1 = V 2 R*V_1 = V_2 R∗V1​=V2​

  • Quaternion< Scalar, Options > Eigen::Quaternion< Scalar_, Options_ >::FromTwoVectors ( const MatrixBase< Derived1 > & a,const MatrixBase< Derived2 > & b)

  • 返回一个四元数，表示两个任意向量 a 和 b 之间的旋转。换句话说，构建的旋转表示将方向 a 的线发送到方向 b 的线的旋转，两条线都通过原点。

  • 请注意，两个输入向量不必进行归一化，也不必具有相同的范数。

UnitRandom

  • Quaternion< Scalar, Options > Eigen::Quaternion< Scalar, Options >::UnitRandom
  • SO (3) 上的随机单位定律分布

相关旋转

对旋转向量（轴角）赋值的三大种方法

  • 0、下面三个变量作为下面演示的中间变量

    AngleAxisd t_V(M_PI / 4, Vector3d(0, 0, 1));
Matrix3d t_R = t_V.matrix();
Quaterniond t_Q(t_V)

  • 1、使用旋转的角度和旋转轴向量（此向量为单位向量）来初始化角轴

    • AngleAxisd V1(M_PI / 4, Vector3d(0, 0, 1))
    • 以（0,0,1）为旋转轴，旋转45度

  • 2、使用旋转矩阵转旋转向量的方式

    • 2.1 使用旋转向量的fromRotationMatrix()函数来对旋转向量赋值（注意此方法为旋转向量独有,四元数没有）
      AngleAxisd V2;
V2.fromRotationMatrix(t_R);
cout << "Rotation_vector2" << endl << V2.matrix() << endl;
    • 2.2 直接使用旋转矩阵来对旋转向量赋值
      AngleAxisd V3;
V3 = t_R;
cout << "Rotation_vector3" << endl << V3.matrix() << endl;
    • 2.3 使用旋转矩阵来对旋转向量进行初始化
      AngleAxisd V4(t_R);
cout << "Rotation_vector4" << endl << V4.matrix() << endl;

  • 3、使用四元数来对旋转向量进行赋值

    • 3.1 直接使用四元数来对旋转向量赋值
      AngleAxisd V5; V5 = t_Q
    • 3.2 使用四元数来对旋转向量进行初始化
      AngleAxisd V6(t_Q);

对四元数赋值的三大种方法（注意Eigen库中的四元数前三维是虚部,最后一维是实部）

  • 第一种输出四元数的方式cout << Q1.coeffs() << endl;
  • 1、使用旋转的角度和旋转轴向量（此向量为单位向量）来初始化四元数
    即使用：q=[cos(A/2),n_x*sin(A/2),n_y*sin(A/2),n_z*sin(A/2)]
// 例如 以（0,0,1）为旋转轴，旋转45度：
A =M_PI / 4;
Quaterniond Q1(cos((A)/2),0*sin((A)/2),0*sin((A)/2),1*sin(A)/2));
  • 2、使用旋转矩阵转四元數的方式
    • 直接使用旋转矩阵来对旋转向量赋值
      Quaterniond Q2; Q2 = t_R;
    • 使用旋转矩阵来对四元數进行初始化
      Quaterniond Q3(t_R);
  • 3、使用旋转向量对四元数来进行赋值
    • 直接使用旋转向量对四元数来赋值
      Quaterniond Q4; Q4 = t_V;
    • 使用旋转向量来对四元数进行初始化
      Quaterniond Q5(t_V);

对旋转矩阵赋值的三大种方法

  • 1、使用旋转矩阵的函数来初始化旋转矩阵
    Matrix3d R1=Matrix3d::Identity();
  • 2、使用旋转向量转旋转矩阵来对旋转矩阵赋值
    • 使用旋转向量的成员函数matrix()来对旋转矩阵赋值
      Matrix3d R2; R2 = t_V.matrix();
    • 使用旋转向量的成员函数toRotationMatrix()来对旋转矩阵赋值
      Matrix3d R3; R3 = t_V.toRotationMatrix();
  • 3、 使用四元数转旋转矩阵来对旋转矩阵赋值
    • 使用四元数的成员函数matrix()来对旋转矩阵赋值
      Matrix3d R4; R4 = t_Q.matrix();
    • 使用四元数的成员函数toRotationMatrix()来对旋转矩阵赋值
      Matrix3d R5; R5 = t_Q.toRotationMatrix();
xiaoma_bk
关注
专栏目录
Eigen的简单用法
无穷山色
01-16 2127
在Eigen中重载了" 当前矩阵的行数、列数、大小可以通过rows()，cols()和size()来获取，对于动态矩阵可以通过resize()函数来动态修改矩阵的大小. 需注意： (1) 固定大小的矩阵是不能使用resize（）来修改矩阵的大小； (2) resize（）函数会析构掉原来的数据，因此调用resize（）函数之后将不能保证元素的值不改变。 (3) 使用“
【视觉SLAM十四讲】各种库的安装及代码实践
最新发布
2302_80099075的博客
03-17 3229
在学习高博的《视觉SLAM十四讲》的过程中，遇到了各种问题。虽说在网上都能找到对应的解决方案，但没有一篇是详细列尽遇到的问题的文章。于是，打算自己写一篇记录学习过程中遇到的一系列问题。希望能为后续的学习提供一点帮助！（自己也是新手小白，还是有很多不懂的地方。
Eigen介绍及简单使用
网络资源是无限的
08-09 8万+
Eigen介绍及简单使用！
Eigen用法
MyObject-C的专栏
08-05 434
Eigen网址： https://eigen.tuxfamily.org/dox/classEigen_1_1MatrixBase.html 可以查阅相关类的介绍以及API 使用： 51 //initialize 52 std::map<int, Eigen::VectorXf> mp; 53 mp[1].resize(400); 54 55 Eigen::VectorXf x1; 56 cout << "si..
Eigen 学习
算法攻城狮
11-07 965
转载 Eigen非常方便矩阵操作，当然它的功能不止如此，由于本人只用到了它的矩阵相关操作，所以这里只给出了它的一些矩阵相关的简单用法，以方便快速入门。矩阵操作在算法研究过程中，非常重要，例如在图像处理中二维高斯拟合求取光斑中心时使用Eigen提供的矩阵算法，差不多十来行代码即可实现，具体可见：http://blog.csdn.net/hjx_1000/article/details/849065...
C++如何使用Eigen实现矩阵运算
junex的博客
03-03 2495
Eigen简介 Eigen is a C++ template library for linear algebra: matrices, vectors, numerical solvers, and related algorithms. 特点： Eigen是多才多艺的。支持各种矩阵尺寸，从固定尺寸矩阵到任意大小的稠密矩阵，乃至系数矩阵；支持所有标准的数字类型等。 Eigen运行很快。 ...
GCNv2-SLAM-for-cpu-配置流程记录.zip
12-10
**GCNv2-SLAM for CPU 配置详解** GCNv2-SLAM 是一种基于图卷积网络（Graph Convolutional Network）的视觉SLAM...通过这个配置记录，你将能够成功地在CPU环境中运行GCNv2-SLAM，实现视觉SLAM的实时建图与定位。
SLAM十四讲(第二版)所有第三方库库.zip
03-31
这个压缩包文件提供了书中所涉及的一些第三方库，这些库在实现SLAM算法时扮演着至关重要的角色。 1. **Ceres Solver**：Ceres Solver是一个开源的非线性优化库，专门用于解决最小二乘问题。在SLAM中，我们需要最小...
【实验记录】千万别碰SLAM,会变得不幸--p1
qq_45306739的博客
10-01 591
实验”也做了很多了，就前面两次实验结果来说，效果并不是很好，之前的所有代码都是参考书上demo和自己按照理解来写的，思路比较简单暴力。论文和博客理解的不到位，就比如在打分匹配环节，参考Bags of Binary Words for Fast Place Recognition in Image Sequences这篇文论文中的开源项目（），应该是有很多筛选环节，包括得分归一化、匹配后的分组统计、时间空间一致性，满足以上这些条件，才能被确定为是否回环，而不是简单的帧间打分—>真值对比—>画图。
SLAM14讲中，涉及Sophus安装步骤及备注
veryneo的博客
08-15 2185
14讲中的第4讲，涉及到Sophus的安装与使用，其中遇到不少问题，加以记录备份。 步骤 由于高博的GitHub所提供的14讲第二版代码slambook2中，3rdparty文件夹没有第三方库的源码，需要使用git的submoudle功能管理本书依赖的第三方库，由于不会使用（简单查阅后发现资料较少，不想多花时间在这上面），所以还是通过GitHub直接下载源码进行编译安装。 给出Sophus的GitHub地址：https://github.com/strasdat/Sophus. 下载下来进行解压，在解压所得
eigen库使用方法.zip
05-24
eigen3源码操作示例程序vs2015程序示例,带说明文档，保证通俗易懂，迅速走入eigen开发大门
C++ Eigen矩阵库矩阵乘法
车牌识别
12-14 3555
以下实现的是一个描述子降维从256降到32，一个简单的矩阵乘法实现 (N,256)*(256,32)=(N,32) #include <Eigen/Core> //Eigen矩阵乘法 start7 = get_current_time(); float* new_values1_after_NMS = new float[kp_nums*256]; for(int kp_index=0;kp_index<kp_nums;kp_index++) { for(int i=0;i<
PCL/Eigen的简单使用
生如的博客
09-20 3938
点云的基本数据结构 PCL学习笔记->基本用法4(使用一个矩阵转换点云) Eigen的介绍及简单使用 （详细请点链接进入） Eigen的下载与安装，可参考下面两个博客： http://blog.csdn.net/hjx_1000/article/details/8477522 或者：http://blog.csdn.net/abcjennifer/article/details/778193...
Eigen基本用法
机器人们的后勤仓库
03-19 2087
#include <iostream> using namespace std;#include <Eigen/Core> #include <Eigen/Dense>int main( ) { // 矩阵类模板的前三个参数为：数据类型，行，列 Eigen::Matrix< float, 2, 3 > matrix_23; // 填充数据 matrix_23 << 1
Eigen: C++开源矩阵计算工具——Eigen的简单用法
热门推荐
Augusdi的专栏
10-21 14万+
Eigen非常方便矩阵操作，当然它的功能不止如此，由于本人只用到了它的矩阵相关操作，所以这里只给出了它的一些矩阵相关的简单用法，以方便快速入门。矩阵操作在算法研究过程中，非常重要，例如在图像处理中二维高斯拟合求取光斑中心时使用Eigen提供的矩阵算法，差不多十来行代码即可实现，具体可见：http://blog.csdn.net/hjx_1000/article/details/8490653Eig
Eigen使用
hohoyu的专栏
08-22 1271
Scalar是表示元素的类型，RowsAtCompileTime为矩阵的行，ColsAtCompileTime为矩阵的列，Options表示存储主序（默认是按列存储，可使用RowMajor改为按行存储），MaxRowsAtCompileTime和MaxColsAtCompileTime表示在编译阶段矩阵的上限。2、使用时，只需在VC的附加目录中添加Eigen的路径，并在程序开头使用#include 等即可。头文件在Eigen目录下，源代码在Eigen/src目录下.
Eigen库使用
wokaowokaowokao12345的专栏
11-29 1万+
前言Eigen是一个高层次的C ++库，有效支持 得到的线性代数，矩阵和矢量运算，数值分析及其相关的算法。配置关于Eigen库的配置只需要在属性表包含目录中添加Eigen路径即可。 例子Example 1：#include <iostream> #include <Eigen/Dense>void main() { Eigen::MatrixXd m(2, 2); /
eigen的简单用法汇总
penuel
10-10 1244
Eigen帮助文档的地址：http://eigen.tuxfamily.org/dox/pages.html Eigen的论坛:http://forum.kde.org/viewforum.php?f=74 1.一些基本运算 #include <iostream> using namespace std; #include <ctime> //核心部分 #incl...
Eigen入门教程：SLAM中的线性代数基础
"这篇文档是面向SLAM（Simultaneous Localization And Mapping）初学者的Eigen库教程，旨在帮助读者理解如何在C++中利用Eigen构建旋转矩阵、平移矩阵及进行基本的代数运算。Eigen是一个开源的C++线性代数库，适用于...
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